o uso do sensoriamento remoto e da cartografia … · escola de minas. departamento de geologia....
TRANSCRIPT
O USO DO SENSORIAMENTO REMOTO E DA CARTOGRAFIA
DIGITAL NA GESTÃO DE BACIAS HIDROGRÁFICAS
AGRÍCOLAS
ii
iii
FUNDAÇÃO UNIVERSIDADE FEDERAL DE OURO PRETO
Reitora
Cláudia Aparecida Marliére de Lima
Vice-Reitor
Hermínio Arias Nalini Júnior
Pró-Reitor de Pesquisa e Pós-Graduação
Sérgio Francisco de Aquino
ESCOLA DE MINAS
Diretor
Issamu Endo
Vice-Diretor
José Geraldo Arantes de Azevedo Brito
DEPARTAMENTO DE GEOLOGIA
Chefe
Luís Antônio Rosa Seixas
iv
EVOLUÇÃO CRUSTAL E RECURSOS NATURAIS
v
CONTRIBUIÇÕES ÀS CIÊNCIAS DA TERRA – VOL. 76
TESE DE DOUTORAMENTO
Nº 347
O USO DO SENSORIAMENTO REMOTO E DA
CARTOGRAFIA DIGITAL NA GESTÃO DE BACIAS
HIDROGRÁFICAS AGRÍCOLAS
Maria Augusta Gonçalves Fujaco
Orientadora
Mariangela Garcia Praça Leite
Tese apresentada ao Programa de Pós-Graduação em Evolução Crustal e Recursos Naturais do
Departamento de Geologia da Escola de Minas da Universidade Federal de Ouro Preto como
requisito parcial à obtenção do Título de Doutor Ciência Naturais, Área de Concentração:
Geologia Ambiental e Conservação de Recursos Naturais
OURO PRETO
2017
vi
Universidade Federal de Ouro Preto – http://www.ufop.br
Escola de Minas - http://www.em.ufop.br
Departamento de Geologia - http://www.degeo.ufop.br/
Programa de Pós-Graduação em Evolução Crustal e Recursos Naturais
Campus Morro do Cruzeiro s/n - Bauxita
35.400-000 Ouro Preto, Minas Gerais
Tel. (31) 3559-1600, Fax: (31) 3559-1606 e-mail: [email protected]
Os direitos de tradução e reprodução reservados.
Nenhuma parte desta publicação poderá ser gravada, armazenada em sistemas eletrônicos,
fotocopiada ou reproduzida por meios mecânicos ou eletrônicos ou utilizada sem a observância
das normas de direito autoral.
ISSN 85-230-0108-6
Depósito Legal na Biblioteca Nacional
Edição 1ª
Catalogação elaborada pela Biblioteca Prof. Luciano Jacques de Moraes do
Sistema de Bibliotecas e Informação - SISBIN - Universidade Federal de Ouro Preto
F961u
Fujaco, Maria Augusta Gonçalves.
O Uso do Sensoriamento Remoto e da Cartografia Digital na Gestão de Bacias
Hidrográficas Agrícolas [manuscrito] / Maria Augusta Gonçalves Fujaco. - 2017.
127f.: il.: color; grafs; tabs; mapas. (D)
Orientador: Profa. Dra. Mariangela Garcia Praça Leite.
Tese (Doutorado) – Universidade Federal de Ouro Preto. Escola de Minas.
Departamento de Geologia. Programa de Pós-Graduação em Evolução Crustal e Recursos
Naturais.
Área de Concentração: Geologia Ambiental e Conservação de Recursos
Naturais.
1. Sensoriamento Remoto. 2. Cartografia Digital. 3. Geoprocessamento. 4.
Bacias Hidrográficas. 5. Paracatu. I. Universidade Federal de Ouro Preto. Escola de
Minas. Departamento de Geologia. II. Título: O Uso do Sensoriamento Remoto e da
Cartografia Digital na Gestão de Bacias Hidrográficas Agrícolas.
CDU: 550.7
http://www.sisbin.ufop.br
vii
À minha Mãe Maria (in memorian).
À minha irmã Laurinda, por toda a nossa caminhada. Te amo, mana!!
viii
ix
Agradecimentos
Quero agradecer à minha orientadora, Professora Mariangela pela ajuda incansável e pela
transmissão de todo o conhecimento ao longo de todo o trabalho.
À minha companheira Keila, um muito obrigado pelo apoio, pela torcida e paciência. Te amo,
amor!!
À minha querida família, aos meus amados sobrinhos pela torcida, às minhas irmãs por todo o
apoio na nossa caminha. Amo imensamente todos vocês!!
Ao Celso e à Adriana do laboratório de Geoquímica Ambiental (LGqA) do Departamento de
Geologia (DEGEO) pela ajuda constante.
À dona Maria José pelas suas orações.
Ao meu samurai, Botan Go Gaikofu, por estar sempre do meu lado!!
x
xi
Sumário
AGRADECIMENTOS ............................................................................................................ IX
LISTA DE FIGURAS ............................................................................................................ XV
LISTA DE TABELAS ......................................................................................................... XVII
RESUMO ...............................................................................................................................XIV
ABSTRACT ......................................................................................................................... XXII
CAPÍTULO 1. INTRODUÇÃO ................................................................................................ 1
1.1. Prefácio ................................................................................................................................. 1
1.2. Objetivos de pesquisa ............................................................................................................ 3
1.3. Organização da tese ............................................................................................................... 4
CAPÍTULO 2. CARACTERIZAÇÃO DA ÁREA ESTUDO .................................................. 5
2.1. Localização da Bacia Hidrográfica do rio Paracatu ............................................................... 5
2.2. Geologia da Bacia Hidrográfica do rio Paracatu ................................................................... 7
2.3. Geomorfologia da Bacia Hidrográfica do rio Paracatu .......................................................... 9
2.4. Solos da Bacia Hidrográfica do rio Paracatu ....................................................................... 12
2.5. Caracterização da Área de estudo ........................................................................................ 14
2.5.1. Sub bacias hidrográficas do rio Paracatu ................................................................ 14
CAPÍTULO 3. MATERIAS E MÉTODOS ............................................................................ 19
3.1. Evapotranspiração ............................................................................................................... 19
3.1.1. Estimativa da evapotranspiração – método convencional....................................... 19
3.1.2. Índice de evapotranspiração através de imagens MODIS - MOD16 ...................... 20
3.2 Mapas de uso e ocupação através das imagens ASTER – Algoritmo Likelihood ................. 20
3.3. Desenvolvimento do script “USLE Paracatu Watershed” em ambiente SIG ....................... 21
3.3.1. Fontes de dados usados para a determinação da USLE .......................................... 22
3.3.2. Fator de erosividade da chuva (R) .......................................................................... 22
3.3.3. Fator topográfico (LS) ............................................................................................ 24
3.3.4. Fator de erodibilidade dos solos (K) ....................................................................... 27
3.3.5. Fator de uso e ocupação do solo (C) e práticas conservacionistas (P) .................... 27
3.4. Análise dos parâmetros físico químicos e coleta de água para análise das sub bacias de
Entre Ribeiros, Rio Escuro e Rio Verde ..................................................................................... 28
3.5. Análise geoquímica dos sedimentos e solos – Entre Ribeiros, Rio escuro e Rio Verde....... 30
xii
CAPÍTULO 4. USE OF MODIS SATELLITE DATA TO CALCULATE
EVAPOTRANSPIRATION IN TROPICAL AGRICULTURAL RIVER BASINS ........... 31
4.1. Introduction ......................................................................................................................... 32
4.2. Material and methods .......................................................................................................... 33
4.2.1. Study area............................................................................................................... 33
4.2.2. Land use and land cover ......................................................................................... 34
4.2.3. Data acquisition and MODIS – MOD16A2 extraction ........................................... 34
4.2.4. Evapotranspiration (ET) calculation ....................................................................... 35
4.2.5. Data Analysis ......................................................................................................... 35
4.3. Results and discussion ......................................................................................................... 36
4.4. Conclusions ......................................................................................................................... 45
CAPÍTULO 5. AGRICULTURAL INFLUENCE ON THE HYDROGEOCHEMISTRY
OF THE SUB BASINS OF THE VERDE, ENTRE RIBEIROS AND ESCURO RIVERS
OF PARACATU HYDROGRAPHIC BASIN (MG) –BRAZIL. ........................................ 47
5.1. Introduction ......................................................................................................................... 48
5.2. Location and Characterization ............................................................................................. 51
5.3. Material and Methods .......................................................................................................... 53
5.3.1. Sampling point selection ........................................................................................ 53
5.3.2. Physical chemical Analysis .................................................................................... 53
5.4. Results and discussion ......................................................................................................... 53
5.5. Conclusions ......................................................................................................................... 60
CAPÍTULO 6. A GIS-BASED TOOL FOR ESTIMATING SOIL LOSS IN
AGRICULTURAL RIVER BASINS. ..................................................................................... 63
6.1. Introduction ......................................................................................................................... 64
6.2. Material and Methods .......................................................................................................... 65
6.2.1. Description of the study area .................................................................................. 65
6.2.2. Data sources and precessing methods..................................................................... 67
6.2.2.1. USLE factors ............................................................................................. 67
6.2.3. Development of the “USLE Paracatu Watershed” script ........................................ 68
6.2.4. Data validation ....................................................................................................... 71
6.2.4.1. Total soil loss (A) ...................................................................................... 71
6.2.4.2. Sedimentological data ............................................................................... 71
6.2.4.3. Sediment delivery...................................................................................... 72
6.3. Results and discussion ......................................................................................................... 72
6.3.1. Processing time optimization ................................................................................. 72
6.3.2. Soil loss and geographical distribution of soil erosions .......................................... 72
6.3.3. Results and validation ............................................................................................ 75
xiii
6.4. Conclusions ......................................................................................................................... 75
CAPÍTULO 7. USO DE SENSORIAMENTO REMOTO E CARTOGRAFIA DIGITAL
NA GESTÃO DA QUALIDADE DE SOLOS E SEDIMENTOS FLUVIAIS EM BACIAS
HIDROGRÁFICAS AGRÍCOLAS. ........................................................................................ 77
7.1. Introduction ......................................................................................................................... 79
7.2. Objetivo............................................................................................................................... 79
7.3. Materiais e Métodos ............................................................................................................ 80
7.3.1. Área de estudo ........................................................................................................ 80
7.3.2. Classificação supervisionada do uso e ocupação do solo ....................................... 81
7.3.3. Coleta das amostras de solo e sedimento na área de estudo .................................... 81
7.3.4. Análise geoquímica dos sedimentos e solos ........................................................... 83
7.3.5. Análises estatísticas e espaciais .............................................................................. 83
7.4. Resultados e Discussão ....................................................................................................... 84
7.4.1. Solos ...................................................................................................................... 84
7.4.2. Sedimentos ............................................................................................................. 89
7.5. Conclusions ......................................................................................................................... 93
CAPÍTULO 8. CONCLUSÕES .............................................................................................. 95
8.1. Conclusions ......................................................................................................................... 95
REFERÊNCIAS BIBLIOGRÁFICAS.................................................................................... 97
BANCA EXAMINADORA (Ficha de Aprovação) ............................................................... 105
xiv
xv
Lista de Ilustrações
Figura 2.1- Localização geográfica da Bacia Hidrográfica do Rio Paracatu (BHRP) no estado
de Minas Gerais ........................................................................................................................ 6
Figura 2.2- Municípios pertencentes à Bacia Hidrográfica do Rio Paracatu (BHRP) no estado
de Minas .................................................................................................................................... 7
Figura 2.3- Mapa Lito - Estratigráfico da bacia hidrográfica de Paracatu ..................................... 9
Figura 2.4- Unidades Geomorfológicas de Bacia Hidrográfica do Rio Paracatu (Fonte:
Adaptado de IGAM, 2006)........................................................................................................ 10
Figura 2.5- Modelo Digital de elevação da bacia do rio Paracatu – sensor ASTER ....... .............. 11
Figura 2.6- Mapa do MDT ASTER: A – Sub bacia Entre Ribeiros; B – sub bacia de Rio
Escuro; C – sub bacia de Rio Verde .......................................................................................... 12
Figura 2.7 - Mapa de classes de solo agrupadas da Bacia Hidrográfica do Rio Paracatu...... ......... 13
Figura 2.8 - Mapa de localização da sub bacia Entre Ribeiros – LANDSAT TM 5 ...................... 15
Figura 2.9 - Mapa de localização da sub Rio Verde - LANDSAT TM 5 (243) ............................. 16
Figura 2.10 - Mapa de localização da sub Rio Escuro - LANDSAT TM 5 (243) ............................. 17
Figura 3.1 - Fluxograma na interface Modelbuilder ilustrando o conjunto de operações de
geoprocessamento utilizadas pelo script “USLE Paracatu Watershed”, para efetuar o cálculo
de perda do solo (A). Os inputs de dados estão representados em azul, em amarelo estão as
equações (algoritmos) e os outputs estão em verde (desde os produtos intermediários ao
final). ......................................................................................................................................... 25
Figura 3.2- Equipamentos utilizados em campo na determinação dos parâmetros físicos: a -
multiparâmetro (Condutividade, Eh, TDS, pH) ; b – turbídimetro e c-oxímetro. ...................... 28
Figura 3.3 - Coleta das amostras de água no campo ...................................................................... 28
Figura 4.1- Localization map of sub-basins: Entre Ribeiros, Rio Escuro and Rio Verde .............. 34
Figura 4.2- Land use and occupation maps of sub-basins: a) Rio Escuro; B) Rio Verde; C)
Entre Ribeiros ........................................................................................................................... 37
Figura 4.3- – Evapotranspiration maps of sub-basins for the year 2001: a) Rio Escuro; B) Rio
Verde; C) Entre Ribeiros ........................................................................................................... 39
Figura 4.4- – Evapotranspiration maps of sub-basins for the year 2004: a) Rio Escuro; B) Rio
Verde; C) Entre Ribeiros ........................................................................................................... 40
Figura 4.5- Evapotranspiration maps of sub-basins: a) Rio Escuro (2013); B) Rio Verde (2014)
and C) Entre Ribeiros (2013) .................................................................................................... 41
Figura 4.6- Boxplot graphs with ET data obtained from MODIS images for the three sub-
basins: a) Rio Escuro; B) Rio Verde; C) Entre Ribeiros ............................................................ 43
xvi
Figura 5.1- Paracatu basin and sub basins location map ................................................................ 49
Figura 5.2- Water quality monitoring points (IGAM) ................................................................... 50
Figura 6.1- Localization map of sub basins: Entre Ribeiros, Rio Escuro and Rio Verde, with the
sedimentological and weather stations ...................................................................................... 66
Figura 6.2- Flowchart in the ModelBuilder interface illustrating the set of geoprocessing
operations used by the "USLE Paracatu Watershed" script to perform the soil loss calculation
(A). Input data are represented in blue, equations (algorithms) are in yellow and the output
data are in green (from intermediate to final products) ............................................................. 70
Figura 6.3- Soil Lost Script Tool window in Arctoolbox .............................................................. 71
Figura 6.4- a - Spatial soil erosion distribution (A) of the Entre Ribeiros sub-basin; b – Rio
Escuro sub- basin; c- Rio Verde sub basin ................................................................................ 74
Figura 7.1- Mapa da bacia hidrográfica do rio Paracatu, com destaque para as três sub-bacias
estudadas.. ................................................................................................................................. 80
Figura 7.2- Mapa de distribuição de solos e pontos de amostragem de sedimentos e solos nas
três sub- bacias, sobre o mapa de solos: A – Sub-bacia do Rio escuro; B – Sub-bacia de Entre
Ribeiros; C – Sub-bacia do Rio Verde ...................................................................................... 82
Figura 7.3- Mapa de uso e ocupação com a distrubuição da concentração (Ca+Mg) da sub bacia
de Entre Ribeiros ....................................................................................................................... 86
Figura 7.4- Mapa de uso e ocupação com a distrubuição da concentração (Ca+Mg) da sub bacia
de Rio escuro............................................................................................................................. 87
Figura 7.5- Mapa de uso e ocupação com a distrubuição da concentração (Ca+Mg) da sub bacia
de Rio Verde ............................................................................................................................. 88
Figura 7.6- Mapas de uso e ocupação da sub bacia do Rv, mostrando a distribuição da
concentração dos metais, Cr, Cu Ni .......................................................................................... 90
Figura 7.7- Mapas de uso e ocupação da sub bacia do ET, mostrando a distribuição da
concentração dos metais, Cr, Cu Ni .......................................................................................... 91
Figura 7.8- Mapas de uso e ocupação da sub bacia do ET, mostrando a distribuição da
concentração dos metais, Cr, Cu Ni .......................................................................................... 92
xvii
Lista de Tabelas
Tabela 3.1- Fonte de dados usada para a determinação dos diferentes fatores da equação da
USLE, das sub-bacias de Entre Ribeiros, Rio Escuro e Rio Verde............................................ 21
Tabela 3.2- Valores de erodibilidade (K) por classes de solos das três sub-bacias (Adaptado de
Silva, 2004) ............................................................................................................................... 26
Tabela 3.3- Valores do fator CP das sub bacias (Adaptado de Silva, 2004) .................................. 27
Tabela 4.1- Detailed table with soil use and occupation data of the three sub-basins....... ............. 38
Tabela 4.2- Climatological data of the Paracatu meteorological station (Sources: INMET and
ANA) total (rainfall and net discharge) and averages for the months of July (temperature and
evaporation). Potential evapotranspiration (ETp) values were calculated using the Thorthwait
method for the months of July ............................................................................................... 44
Tabela 5.1- Classes of the use, occupation and vegetal cover of the studied sub basins..... ........... 52
Tabela 5.2- Results of physical chemical parameters analyzed in ER subbasin ............................ 54
Tabela 5.3- Results of physical chemical parameters analyzed in ERR sub basin ......................... 55
Tabela 5.4- Results of physical chemical parameters analyzed VR subbasin ................................ 55
Tabela 5.5- Concentration of major and trace elements in VR subbasin Waters ........................... 57
Tabela 5.6- Concentration of major and trace elements in ERR subbasin Waters ......................... 58
Tabela 5.7- Concentration of major and trace elements in ER subbasin waters............................. 59
Tabela 6.1- Total annual sediment load (t/year) in Santa Rosa and Porto Alegre stations ............. 71
Tabela 6.2- Sediment contribution (%) and soil loss average (A) in the stations and sub-basins .. 75
Tabela 6.3- Estimated loss soil contribution (%) based on sub-basin áreas ................................... 75
Tabela 7.1- Áreas e percentagens das classes de uso e ocupação nas três sub-bacias estudadas .... 84
Tabela 7.2- - Resultados da geoquímica dos solos das sub bacias de : Rio Verde, Entre Ribeiros
e Rio Escuro .............................................................................................................................. 85
Tabela 7.3- - Resultados da geoquímica dos sedimentos das sub-bacias de: Rio Verde, Entre
Ribeiros e Rio Escuro................................................................................................................ 89
xviii
xix
Resumo
A partir do lançamento dos primeiros satélites, a comunidade científica tem tido acesso a novas
ferramentas para enfrentar os vários problemas ambientais (espaciais), como por exemplo,
degradação das florestas, erosão dos solos, índices como NDVI/SAVI/IAF, estimativa da
evapotranspiração, monitoramento de fenômenos climáticos e uso da terra. Todos estes
“parâmetros” eram monitorados e /ou estimados somente com dados de campo, no entanto, as
inovações das geotecnologias como o sensoriamento remoto e a cartografia digital deram uma
nova dimensão para a compreensão e resolução dos problemas ecológicos, climáticos e
ambientais. Neste estudo, as três sub-bacias de Entre Ribeiros (ET), Rio Escuro (RE) e Rio
Verde (RV), localizadas na bacia hidrográfica do rio Paracatu, todas com áreas superiores a
1000km2, estão sob uma grande pressão de atividades agropecuárias e silvicultura. Estas
atividades envolvem o uso da água do rio Paracatu e seus contribuintes, estando assim, os seus
recursos hídricos sobre uma grande demanda, necessitando para um monitoramento constante
não só da qualidade da água, mas também da sua disponibilidade para as diversas atividades
antrópicas e manutenção dos ecossistemas aquáticos. Outro grande problema envolvendo estas
áreas é susceptibilidade dos solos a processos erosivos, daí a grande necessidade do
mapeamento das áreas mais sensíveis a tais processos, para que assim se faça uma gestão
adequada dos mesmos. Com o intuito de desenvolver ferramentas num ambiente em SIG que
permitirão num futuro uma gestão integrada de dados (estimativa da evapotranspiração,
qualidade da água, uso do solo, erosão do solo, qualidade de sedimentos fluviais) nestas três
sub-bacias, foram usadas várias geotecnologias. A evapotranspiração (ET) foi estimada usando
imagens de satélite MODIS – MOD16 num período de treze anos (2001 a 2014) e os resultados
comparados com dados das escassas estações meteorológicas existentes nas três sub-bacias. Os
mapas anuais da ET demonstraram que os maiores valores se encontraram nas áreas de
silvicultura. A análise temporal da ET evidenciou um aumento progressivo ao longo de treze
anos estudados. Os primeiros resultados das análises da qualidade da água evidenciaram que as
águas sofrem influência da atividade agrícola, tendo sido encontrados em alguns pontos de
amostragem concentrações de metais pesados acima dos recomendados pela resolução
CONAMA 357/05, colocando a água nas classes 3 e 4. Para se identificar as áreas mais
susceptíveis à erosão foi criado um script baseado na equação USLE em ambiente SIG, que
pode ser adicionado via “Arctoolbox” no software ArcGIS. O modelo foi validado e mostrou-se
eficaz na estimativa da erosão nas três sub-bacias em estudo. A criação do algoritmo, permitiu
uma interface amigável no ambiente do ArcGIS, em que o usuário só tem que adicionar as
xx
variáveis da equação da USLE, e o software processará os algoritmos automaticamente, gerando
o mapa final com a perda do solo em T/ha.ano. No que diz respeito aos sedimentos fluviais os
dados indicam contaminação destes por metais pesados, tais como: As, Cd, Cr, Ni, Pb e Zn. Os
mapas de uso e ocupação do solo quando cruzados com os mapas de concentração dos metais
pesados permitiram inferir a origem provável desses elementos nos sedimentos, pois os maiores
valores ficaram registrados nas áreas de silvicultura ou à jusante dos pivôs de irrigação. O uso
conjunto do sensoriamento remoto e da cartografia digital na caracterização e monitoramento
destas três sub-bacias demonstrou a sua elevada potencialidade na gestão de grandes áreas,
devido à robustez dos dados criados e à facilitação do entendimento dos problemas ambientais
para os agentes públicos, empresários e população em geral.
Palavras - chave – Sensoriamento Remoto, Cartografia Digital, USLE, SIG script, MODIS,
bacia hidrográfica, Paracatu.
xxi
Abstract
Since the launch of the first satellites, scientific community has had access to new tools to
address the various (space) environmental problems, such as forest degradation, soil erosion,
index such as NDVI/SAVI/IAF, evapotranspiration calculations and the monitoring of climatic
changes and land use. All these "parameters" were monitored and/or estimated only with field
data, however, the innovations in geotechnologies, such as remote sensing and digital
cartography, gave a new dimension to the understanding and resolution of ecological, climatic
and environmental problems. In this study, the three sub-basins of Entre Ribeiros (ET), Rio
Escuro (RE) and Rio Verde (RV), located in the Paracatu river basin, all covering areas over a
1000km2, are under great pressure due to agricultural, pasture and silviculture activities. These
activities involve the use of water from the Paracatu River and other rivers and creeks, thus,
their water resources are in great demand, necessitating constant monitoring not only for water
quality, but also for water availability for the various anthropogenic activities and maintenance
of aquatic ecosystems. Another major problem involving these areas is the susceptibility of soils
to erosive processes, what demands the definition and location of the most sensitive areas to
such processes, to enable a proper management. In order to develop tools in a GIS environment
that will allow future integrated data management (estimation of evapotranspiration, water
quality, soil use, soil erosion, quality of fluvial sediments) in these three sub-basins, several
geotechnologies were used. The evapotranspiration (ET) was estimated using MODIS-MOD16
satellite images over a period of thirteen years (2001 to 2014) and the results compared with
data from the scarce meteorological stations in the three sub-basins. The annual ET maps
showed that the highest values were found in the silviculture areas. The temporal analysis of ET
showed a progressive increase over the 13 years studied. The first results of the water quality
analysis showed that the waters are influenced by agricultural activity, and at some sampling
points concentrations of heavy metals were found above those recommended by CONAMA
Resolution 357/05, placing the water in classes 3 and 4. To identify most susceptible areas to
erosion, a script was created based on the USLE equation in GIS environment, which can be
added via "Arctoolbox" in ArcGIS software. The model was validated and proved to be
effective in estimating erosion in the three sub-basins studied. The creation of the algorithm
allowed a user-friendly interface in the ArcGIS environment, in which the user has only to add
the variables of the USLE equation, and the software will process the algorithms automatic,
generating the final map with the soil loss in T/ha.year. In relation to fluvial sediments, the data
indicate contamination of these materials by heavy metals, such as: As, Cd, Cr, Ni, Pb and Zn.
The maps of land use and occupation when crossed with the maps of heavy metals
xxii
concentrations allowed inferring the probable origin of these elements in the sediments, since
the highest values were registered in the silviculture areas or downstream of the irrigation
pivots. The joint use of remote sensing and digital cartography in the characterization and
monitoring of the three sub-basins demonstrated their high potential in managing large areas,
due to the robustness of the data created and to facilitate stakeholders understanding of the
environmental problems.
Keywords – Remote sensing, Digital Cartography, USLE, GIS script, river basins, Paracatu.
CAPÍTULO 1
INTRODUÇÃO
1.1- PREFÁCIO
Ao longo da historia evolutiva da humanidade, os recurso hídricos têm sido um dos fatores
principais, senão o principal, no desenvolvimento das grandes civilizações. Nos dias de hoje, estes não
deixam de ter a mesma a importância econômica, sendo a base pra o desenvolvimento de grandes atividades
econômicas, como o caso da agropecuária e da agricultura intensiva (irrigação por pivôs). As relações entre o
uso do solo e a utilização de recursos hídricos têm sido bastante conflituosas, trazendo normalmente
consequências negativas para o meio ambiente em vários níveis, quer pela redução e poluição das águas dos
rios, quer pelo transporte e/ou contaminação de sedimentos. A demanda pelos recursos hídricos e diminuição
da quantidade/qualidade da água tem aumentado em diferentes partes do mundo como consequência de um
rápido crescimento sócio econômico, intensificado pelo desenvolvimento tecnológico e pela globalização
econômica. Os impactos registrados na qualidade de solos, sedimento e água de grandes bacias hidrográficas
estão, na sua maioria, relacionados com às atividades antrópicas, como agricultura não sustentável,
silvicultura, pecuária e também com o lançamento inadequado de sólidos e líquidos gerados pelas atividades
domésticas e industriais.
Estas atividades, em especial as agropecuárias, contribuem para outro problema em escala global
e/ou regional, que são as mudanças climáticas globais, e que hoje em dia estamos vendo as consequências
diretas no clima das diversas regiões do globo. Vários trabalhos têm sido desenvolvidos abordando esta linha
de pesquisa com o objetivo de identificar e caracterizar quais as atividades que mais contribuem para as
mudanças globais, desde o impacto do uso e ocupação do solo na temperatura de superfície das áreas
carsticas na China (Xiao et al., 2007), à sua evolução no solo do semiárido mediterrâneo do norte de Espanha
(Lasanta & Serrano, 2012), ou ao seu impacto no balanço hídrico de bacias hidrográficas (Wang et al., 2011;
Nosetto et al., 2012). As mudanças no uso e ocupação do solo influenciam diretamente componentes que
regulam o clima regional/global na superfície terrestre, tais como: a temperatura, a evapotranspiração (ET) e
índices de vegetação - biomassa - como índice de vegetação por diferença normalizada (NDVI) e o
Enchanged Vegetation Indice (EVI), ou seja, a determinação de tais parâmetros é extrema importância, pois
irá permitir a tomada de decisões mais conscientes acerca da conservação, desenvolvimento e gestão dos
recursos hídricos de uma determinada região. De todos os parâmetros mencionados anteriormente a ET, é
largamente usada para o dimensionamento e manejo de sistemas de irrigação, pois quantifica a água usada
nos processos de evaporação e transpiração pelas plantas durante um período de tempo (Faria et al., 2000),
realçando assim a importância da sua estimativa em bacias intensamente ocupadas por áreas com diversas
atividades antrópicas, como é o caso da Bacia Hidrográfica do Rio Paracatu (BHRP).
Fujaco, M.A.G., 2017, O uso do Sensoriamento Remoto e Cartografia Digital na Gestão de Bacias Hidrográficas Agrícolas.
2
Com as transformações climáticas advêm as mudanças no regime de chuvas, que se tornam mais
concentradas e torrenciais, aumentando sua capacidade de erosão e transporte de partículas dos solos.
Atualmente, a erosão do solo é um grave problema, que ameaça em especial as bacias hidrográficas em
regiões tropicais, com intenso uso agrícola (Sreeja et al., 2015). Tais processos erosivos não só promovem a
perda da fertilidade do solo, como também aumentam o volume de material particulado carreado para rios,
reservatórios e mares, onde ocorre a deposição dos mesmos e consequentemente assoreamento, deteriorando
a qualidade de seus ecossistemas. Deste modo, torna-se primordial, um conhecimento prévio da
susceptibilidade dos solos destas áreas, para que assim, se faça um manejo adequado e se tenham as
melhores medidas de conservação. A modelagem pode fornecer uma abordagem quantitativa e consistente na
estimativa da erosão (perda) do solo sob uma ampla gama de condições.
A dinâmica de grandes produções agropecuárias e de silvicultura exige muitos insumos (adubos,
pesticidas, herbicidas), que se não forem usados de uma forma racional causam grandes contaminações,
tornando-se deste modo necessário manter um monitoramento das águas dos rios para garantir um controle
das atividades desenvolvidas nas bacias. A análise dos impactos ambientais causados pelas atividades
antrópicas em bacias hidrográficas engloba a coleta de dados in situ de água e coleta de amostras, de água,
solo e sedimento através das quais poderão ser identificados e quantificados os elementos contaminantes
consequentes do uso intensivo e não racional do solo por essas atividades. Nas últimas décadas, uma atenção
especial vem sendo dada à contaminação desses compartimentos por metais derivados do uso de produtos
agroquímicos. Na Inglaterra, Nicholson et al. (2003), trabalhando com o solo das áreas agrícolas, detectaram
a presença de Zn, Cu, Ni, Pb, Cd, Cr, As e Hg, os quais estariam disponíveis para carreamento para os cursos
de água. Ungureanu et al. (2016) estudando 193 amostras de solos na região de Vaslui (Romênia),
conseguiram relacionar as elevadas concentrações de As, Cd, Co, Cr, Cu, Ni, Pb, e Zn com as atividades
agrícolas. Meybeck et al. (2007) descrevem a contaminação das águas do rio Seine (França) por Cd, Cr, Cu,
Hg, Pb e Zn, derivados das atividades industriais e agrícolas nos últimos 50 anos. Chetelat et al. (2008)
associam grande parte dos elementos encontrados nas águas dos reservatórios da bacia de Changjiang
(China) à atividade agrícola na região. Também na China, Chen et al. (2002) já haviam detectado a presença
de Ca, Mg, Na, K, HCO3, SO4, Cl, e S) nas águas do rio Yangtze, associando esses elementos às atividades
agropecuárias da área. No Brasil, também já existem vários trabalhos sobre o assunto, como é o caso de
Ramalho et al. (2000), que ao estudarem a micro-bacia de Caetés conseguiram comprovar que a aplicação
intensiva de agroquímicos provocou uma elevação das concentrações de metais pesados nas águas e
sedimentos acima dos padrões máximos estabelecidos em água potável pelo Ministério da Saúde. No
trabalho de Santos et al. (2009) foram detectados valores de cádmio e chumbo acima do limite máximo
estabelecido pela Resolução CONAMA 357/2005.
Apesar do esforço governamental em aumentar a rede básica de monitoramento dos recursos hídricos
no território brasileiro a grande extensão do país torna os custos operacionais praticamente proibitivos. A
bacia hidrográfica do rio Paracatu é um exemplo clássico, tem uma área de (45047,56km2) com apenas duas
Contribuições às Ciências da Terra, Série D, vol. 76, 105p.
3
estações com coleta de sedimentos, o Porto das Poças e Santa Rosa, e 21 estações meteorológicas, uma
elevada exploração agropecuária e silvicultura, onde existem grandes conflitos na demanda de água e
modificações na paisagem como a retirada da grande parte da vegetação nativa de cerrado levando ao
agravamento de processos erosivos, compactação do solo, erosão laminar e contaminação dos recursos
hídricos Face ao exposto, é premente a necessidade de ferramentas que permitam uma gestão eficiente e
otimizada dos recursos ambientais. O uso de geotecnologias têm dado uma nova dimensão para a
compreensão e abordagem dos problemas ecológicos. O desenvolvimento destas metodologias geoespaciais,
as quais são formadas pelo conjunto de várias áreas tecnológicas, como: sensoriamento remoto, cartografia
digital e modelagem espacial, permitem oferecer soluções para muitos dos problemas ambientais
encontrados (Joseph et al., 2011), como a estimativa da evapotranspiração (Nagler et al., 2005; Mu et al.,
2007; Nagler et al., 2009; Mu et al., 2011), a estimativa de perda de solo usando a USLE (Fujaco et al.,
2016; Ganasri et al., 2016) e mapeamento da distribuição dos metais pesados nos diversos compartimentos
de uma bacia hidrográfica (Carr et al., 2008).
Obviamente que para se monitorar uma área de tamanha dimensão é necessário um sistema que
permita um monitoramento em nível regional. É aqui que as técnicas de sensoriamento remoto (SR) se
tornam eficazes, pois permitem a aquisição de dados a nível local, regional e global, que quando aliados a
dados pontuais, obtidos a partir de coletas e medições in situ, conferem elevada confiabilidade às
interpretações e facilitam as tomadas de decisão no que tange a gestão dos recursos ambientais.
1.2 - OBJETIVOS DA PESQUISA
O presente trabalho visou avaliar a importância do uso das geotecnologias como o sensoriamento
remoto e da cartografia digital para estimar os impactos do uso e ocupação da terra em grandes bacias
hidrográficas agrícolas, de forma a fornecer ferramentas para melhorar a gestão ambiental destas áreas. O
caso de estudo desenvolveu-se em três sub bacias hidrográficas pertencentes à bacia hidrográfica do rio
Paracatu, sendo elas: a) sub bacia de Entre Ribeiros (ER); b) sub bacia de Rio Escuro (RE) e c) sub bacia de
Rio Verde (RV), as quais são caracterizadas por uma elevada atividade agropecuária e silvicultura e
possuírem áreas superiores a 1000 Km2.
Fujaco, M.A.G., 2017, O uso do Sensoriamento Remoto e Cartografia Digital na Gestão de Bacias Hidrográficas Agrícolas.
4
1.3 - ORGANIZAÇÃO DA TESE
A estrutura da tese obedece à modalidade de integração de artigos científicos, de acordo com o
regulamento geral do programa de Pós Graduação em Evolução Crustal e Recursos Naturais do
Departamento de Geologia da Universidade Federal de Ouro Preto. A tese foi organizada nos seguintes
capítulos: Capítulo 1: é o capítulo introdutório ao tema a ser pesquisado, problemas abordados e objetivos;
Capítulo 2: corresponde à caracterização da área de estudo; Capítulo 3: corresponde aos materiais e
métodos usados na pesquisa; Capítulo 4: apresenta o artigo “Use of Modis Satellite data to calculate
evapotranspiration in tropical agricultural river basins”. Este artigo teve como objetivo comparar diferentes
métodos na estimativa da evapotranspiração, métodos usando técnicas de sensoriamento remoto, como o
produto MOD16A, das imagens MODIS, e técnicas convencionais, como o método de Thorthwaite.
Capítulo 5: apresenta o artigo “Agricultural influence on the hydrogeochemistry of the sub basins of the
Verde, Entre Ribeiros and Escuro Rivers of Paracatu Hydrographic Basin (MG) –Brazil”, através do
qual se caracterizou a geoquímica das águas das três sub bacias. Capítulo 6: apresenta o artigo: “A
Gis-Based Tool For Estimating Soil Loss In Agricultural River Basins”; o qual apresenta o desenvolvimento
de um script em ambiente de SIG, baseado na equação USLE, na determinação da perda do solo nas três sub
bacias estudadas. Capítulo 7: apresenta o artigo: “Uso de sensoriamento remoto e cartografia digital na
gestão da qualidade de solos e sedimentos fluviais em bacias hidrográficas agrícolas”; no qual são aplicadas
técnicas de cartografia digital na espacialização dos elementos químicos dos solos e sedimentos das três sub
bacias. Capítulo 8: descreve as conclusões desta pesquisa e as recomendações para trabalhos futuros.
CAPÍTULO 2
CARACTERIZAÇÃO DA ÁREA DE ESTUDO
2.1- LOCALIZAÇÃO DA BACIA HIDROGRÁFICA DO RIO PARACATU
No caso de estudos do ciclo hidrológico, uma bacia hidrográfica funciona como unidade básica de
estudo. Esta é definida como uma área natural de captação de água proveniente da precipitação, a qual faz
convergir os escoamentos para um único ponto de saída, seu exutório, ou seja, é um sistema em que a
entrada é o volume de água precipitado e a saída é o volume de água escoado no exutório (TUCCI, 2000).
De acordo com a Secretaria de Recursos Hídricos (SRH) do Ministério do Meio Ambiente (MMA), o
território brasileiro é dividido em oito grandes bacias hidrográficas. De acordo com a Agência Nacional de
Águas (ANA), estas bacias são designadas por códigos: Bacia 1 – Rio Amazonas; Bacia 2 – Rio Tocantins;
Bacia 3 – Atlântico, Trecho Norte/Nordeste; Bacia 4 – Rio São Francisco; Bacia 5 – Atlântico, Trecho Leste;
Bacia 6 – Rio Paraná; Bacia 7 – Rio Uruguai; Bacia 8 – Atlântico, Trecho Sudeste. A Bacia Hidrográfica de
Paracatu (BHRP) está inserida na Bacia 4 (Bacia do rio São Francisco) (Figura 2.1). A Bacia Hidrográfica do
Rio Paracatu está inserida entre as coordenadas geográficas 15°30’/ 19°30’S e 45°10’/ 47°30’W abrangendo
uma área de 45047,56km2, sendo que 92% dessa área, aproximadamente 41.600 Km
2, localizam-se no estado
de Minas Gerais, e o restante, 5% e 3%, pertencem ao estado de Goiás e ao Distrito Federal, respectivamente
(IGAM, 2006). O clima da bacia do rio Paracatu é classificado como megatérmico chuvoso do tipo Aw
(Koepen), ou seja, apresenta uma estação chuvosa no verão, de outubro a abril (chove 93% do total anual), e
uma estação seca no inverno, de maio a outubro, em que a precipitação é mínima e a temperatura é amena,
apresentando uma temperatura mínima média mensal de 180C (IGAM, 2006). Na Figura 2.2 encontram-se os
municípios pertencentes à BHRP que abrangem o estado de MG, bem como a população de cada um deles.
Segundo, Atlas (2012), a ocupação da BHRP data do início do século XVIII, tendo sido voltada
desde então para as atividades extrativistas. Com a descoberta de ouro na região, inúmeras expedições
convergiram para lá, propiciando o estabelecimento de pontos de passagem e apoio às incursões
exploratórias, formando primitivos aglomerados populacionais. Com a decadência da mineração a partir da
segunda metade do século XVIII, a pecuária passou a representar a principal atividade dessa área, permitindo
uma ocupação populacional e produtiva do território, embora insuficiente para imprimir dinamismo ao
processo de desenvolvimento regional. Esta situação se transforma nas décadas de 60 e 70 com a mudança
da capital federal para Brasília e a implantação de programas voltados para o aproveitamento de seus
recursos econômicos, principalmente no que diz respeito à expansão da fronteira agrícola. Desde então, a
região desempenha um papel preponderante na economia regional, com a produção de grãos (IGAM, 2006).
A bacia possui grandes projetos de irrigação, com os maiores pivôs do país, o que tem levado a grandes
conflitos associados ao uso de água.
Fujaco, M.A.G., 2017, O uso do Sensoriamento Remoto e Cartografia Digital na Gestão de Bacias Hidrográficas Agrícolas.
6
Figura 2.1- Localização geográfica da Bacia Hidrográfica do Rio Paracatu (BHRP) no estado de Minas
Gerais.
Contribuições às Ciências da Terra, Série D, vol. 76, 105p.
7
Figura 2.2- Municípios pertencentes à Bacia Hidrográfica do Rio Paracatu (BHRP) no estado de Minas.
Fujaco, M.A.G., 2017, O uso do Sensoriamento Remoto e Cartografia Digital na Gestão de Bacias Hidrográficas Agrícolas.
8
2.2 - GEOLOGIA DA BACIA HIDROGRÁFICA DO RIO PARACATU
A geologia da bacia hidrográfica do rio Paracatu (Figura 2.3) é constituída por rochas précambrianas
e por uma seqüência de depósitos sedimentares de idade cretácica, além de sedimentos e coberturas detríticas
do terciário-quaternário. De acordo com o RURALMINAS (1996), a geologia da área é formada, da base
para o topo pelas seguintes unidades geológicas: Formação Paracatu, composta por filitos carbonosos ou
não e quartzitos; Formação Vazante, constituída por ardósias, fosforitos, quartzitos, pelitos, calcários,
dolomitos, cherts e conglomerados; Grupo Canastra, constituído por quartzitos, filitos e xistos. Grupo
Bambuí, representado pela Formação Três Marias (arcósios e pelitos) e Subgrupo Paraopeba (siltitos,
calcários, pelitos, dolomitos e verdetes), ambos do Proterozóico Superior. Aflora principalmente na região
centro-sul da área. Grupo Santa Fé, constituído por diamictitos e arenitos do Permacarbonífero; Grupo
Areado, composto por arenitos, conglomerados, pelitos, calcretes e cherts do Cretácio Inferior; Formação
Capacete, do Grupo Mata da Corda, constituída por arenitos do Cretáceo Superior. Distribuem-se na porção
oriental da bacia; Coberturas detrítico-lateríticas, detríticas e eluvionares terciárias; e depósitos coluvionares,
aluvionares e de terraços cenozóicos. Predominam na região central da bacia e ao longo das calhas dos rios
Paracatu e Preto.
A região de Paracatu de acordo com Almeida (1977) insere-se na faixa de dobramentos de Brasília e
abrange uma pequena porção de uma unidade geotectônica maior, pré-brasiliana denominada por Cratón São
Francisco. De acordo com (Fuck, 1994), os metassedimentos do Grupo Vazante devem-se à sedimentação de
margem passiva neoproterozóica na borda do Cráton de São Francisco. A oeste, o Grupo Vazante é
cavalgado pelo grupo canastra ou pela sequência de filitos e quartizitos da formação Paracatu e a Leste pelos
sedimentos da porção superior do grupo Bambuí (Souza, 1997). O Subgrupo Paraopeba, pertencente ao
Grupo Bambui, coincide com as zonas marginais de deformação (Mulholland, 2009). As coberturas
detríticas terciário-quaternárias depositam-se em discordância erosiva sobre as demais coberturas
estratigráficas (RURALMINAS, 1996). As coberturas detríticas mais antigas estão sobre os planaltos de 800
a 1000 metros de altitude. São resultantes de uma fase de aplainamento do cretáceo superior/terciário
inferior, desenvolvendo-se predominantemente sobre os Grupos Mata da Corda e Aerado e Formação
Urucuia (RURALMINAS, 1996). As coberturas na depressão da bacia (400 a 600 metros de altitude), por
sua vez, são mais recentes, mas também originadas de detritos das formações cretáceas.
Contribuições às Ciências da Terra, Série D, vol. 76, 105p.
9
Figura 2.3 - Mapa Lito - Estratigráfico da bacia hidrográfica de Paracatu (Fonte: CETEC, 1981).
2.3 GEOMORFOLOGIA DA BACIA HIDROGRÁFICA DO RIO PARACATU
Os mapas das (Figuras 2.5, 2.6) representam a altimetria e declividade da bacia hidrográfica do rio
Paracatu. Os valores de altimetria oscilam entre 515m a 945m, enquanto que a declividade ao longo da bacia
se encontra predominantemente entre 0-3,6 graus.
A bacia hidrográfica de Paracatu é caracterizada basicamente por três unidades de relevo: 1- Planaltos
de São Francisco; 2 – Depressão Sanfranciscana; 3- Cristas de Unaí (Figura 2.4).
Fujaco, M.A.G., 2017, O uso do Sensoriamento Remoto e Cartografia Digital na Gestão de Bacias Hidrográficas Agrícolas.
10
Figura 2.4 - Unidades Geomorfológicas de Bacia Hidrográfica do Rio Paracatu (Fonte: Adaptado de IGAM,
2006).
Os planaltos correspondem a extensas superfícies tabulares ou chapadas em altitudes que oscilam
entre 800 a 1000 metros, com a presença de capeamentos sedimentares. Durante a fase aplainamento,
ocorrida no Cretáceo Superior e Terciário Inferior, estas superfícies tabulares desenvolveram-se sobre os
arenitos dos Grupos Mata da Corda e Areado e da Formação Urucuia (IGAM, 2006). O topo das chapadas é
constituído por latossolos bem desenvolvidos e permeáveis (Mulholland, 2009).
A unidade geomorfológica denominada por Depressão Sanfranciscana corresponde a áreas
rebaixadas e aplanadas ao longo dos vales do Rio São Francisco e alguns dos seus afluentes, como o rio
Paracatu. Esta unidade está compreendida entre as cotas de 400 a 600 metros, sendo caracterizada por
superfícies aplainadas, superfícies onduladas e sedimentos com variados aspectos litológicos (IGAM, 2006).
Contribuições às Ciências da Terra, Série D, vol. 76, 105p.
11
A unidade Cristas de Unaí ocupa a área ocidental da bacia, ocorrendo principalmente na bacia
hidrográfica do rio Preto, com direção NNW-SSE. Pertencendo ao Grupo Bambui são formas erosivas
desenvolvidas sobre ardósias, siltitos e calcários dobrados e falhados. Nas áreas de natureza cárstica ocorrem
sumidouros, grutas, cavernas e dolinas. Nas encostas desses planaltos estão localizadas as veredas,
cabeceiras de drenagem constituídas por vales rasos de fundo plano (IGAM, 2006).
Figura 2.5 - Modelo Digital de elevação da bacia do rio Paracatu – sensor ASTER (Fonte: USGS).
Fujaco, M.A.G., 2017, O uso do Sensoriamento Remoto e Cartografia Digital na Gestão de Bacias Hidrográficas Agrícolas.
12
Figura 2.6 - Mapa de declividade da bacia do rio Paracatu - imagem SRTM (Fonte: NASA).
2.4 - SOLOS DA BACIA HIDROGRÁFICA DO RIO PARACATU
As classes de solos presentes na bacia do rio Paracatu são os Latossolos, Cambissolos, Neossolos
Quartzarênicos, Hidromórficos e Neossolos Flúvicos. De acordo com o levantamento realizado pelo CETEC
(1981), estas classes encontram-se distribuídas espacialmente de acordo com o mapa da (Figura 2.7).
Contribuições às Ciências da Terra, Série D, vol. 76, 105p.
13
Figura 2.7 – Mapa de classes de solo agrupadas da Bacia Hidrográfica do Rio Paracatu.
Os Neossolos estão concentrados na parte sudeste e nordeste, devido ao imtemperismo de rochas
areníticas cretáceas. São solos caracterizados por apresentarem uma boa capacidade de drenagem, pelo fato
de serem constituídos predominantemente por macroporos. A concentração de argila é relativamente baixa,
cerca de 15 %. Os óxidos de ferro presentes nos Latossolos contribuem para a agregação das partículas de
silte e argila, permitindo que estes se comportem como solos arejados e friáveis. Estes solos estão
distribuídos amplamente ao longo bacia, ocupando os planaltos, depressões e superfícies tabulares. Os
Cambissolos são solos bem drenados superficialmente, mas devido a sua pequena espessura, os eventos de
fortes chuvas, poderão dificultar o processo de infiltração superficial e consequentemente provocas processos
erosivos. A sua textura está dependente da rocha matriz, se esta é mais argilosa ou arenosa. Estes solos são
Fujaco, M.A.G., 2017, O uso do Sensoriamento Remoto e Cartografia Digital na Gestão de Bacias Hidrográficas Agrícolas.
14
mais abundantes na unidade geomorfológica das Cristas de Unaí. Os Neossolos Litólicos estão restritos às
áreas dissecadas com relevo ondulado a montanhoso. São solos pouco profundos (rasos), o que implica uma
baixa de armazenamento de água, levando ao déficit hídrico na estação seca e escoamento superficial
elevado. Os solos Hidromórficos estão permanentemente ou sazonalmente encharcados. Este tipo de solo
ocorre nas áreas de relevo mais plano e rebaixado bacia, onde o aquífero freático aflora, ou seja, próximo aos
rios, lagoas ou veredas.
2.5 - CARACTERIZAÇÃO DA ÁREA DE ESTUDO
2.5.1 - Sub bacias hidrográficas do rio Paracatu
A sub-bacia de Entre Ribeiros (ET) (Figura 2.8) situa-se no trecho denominado de médio curso da
bacia hidrográfica do rio Paracatu (BHRP), apresentando uma área de 3924,59 km2. Trata-se de uma área
intensamente ocupada por agricultura mecanizada, na qual o método de irrigação adotado é por pivô central,
para além de outras atividades como a pastagem, a qual ocupa a maior porcentagem de ocupação da bacia.
Segundo Regis (2007), esta sub-bacia apresentou ao longo da sua história uma trajetória de escassez de água,
supressão integral de vegetação e conflitos entre os produtores. O processo de ocupação foi estimulado e
orientado, em 1983, pelo Projeto de Colonização de Paracatu/Entre Ribeiros, o qual levou a um aumento da
demanda do uso da água para assim suprir as necessidades da expansão das atividades agrícolas. O
desmatamento nesta sub-bacia é uma conseqüência da implementação das áreas de pastagem e cultivo, sendo
as áreas mais afetadas por estas atividades o alto do Rio Preto, médio e baixo Ribeirão Entre Ribeiros, médio
e baixo Rio Escuro. A área dos platôs é caracterizada pelas plantações de soja, enquanto que os vales fluviais
por cultivos e pastagens. Ao longo da sub-bacia do ribeirão Entre Ribeiros algumas das áreas que eram
naturalmente alagadas foram drenadas para dar lugar a áreas de pastagem e agricultura. De acordo com a
PLANTAR (1996) as áreas com vegetação natural estão restritas às zonas mais íngremes e solos menos aptos
para o desenvolvimento de atividades agropecuárias.
Contribuições às Ciências da Terra, Série D, vol. 76, 105p.
15
Figura 2.8- Mapa de localização da sub bacia Entre Ribeiros (BHER) – LANDSAT TM 5 (243) –
17/06/2006
A sub-bacia do Rio Verde (RV), situada no município de João Pinheiro, está inserida no médio curso
do rio Paracatu, apresentando uma área de 1310,62km2. É uma bacia constituída por dois córregos principais:
Rio Feio e Rio Verde (Figura 2.9), este último dá o nome à sub- bacia. O alto curso é caracterizado por
morros suaves, com mata uma ciliar bem desenvolvida e preservada. Já nas porções de médio e baixo curso,
há uma significativa redução da declividade, formando uma paisagem mais plana na qual estão as pastagens
e plantações de eucaliptos. Perto da confluência do rio Verde com o rio Feio existe um claro domínio tanto
de pastagens quanto de eucalipto.
Fujaco, M.A.G., 2017, O uso do Sensoriamento Remoto e Cartografia Digital na Gestão de Bacias Hidrográficas Agrícolas.
16
Figura 2.9 - Mapa de localização da sub Rio Verde - LANDSAT TM 5 (243) – 17/06/2006
A água da bacia do RV é utilizada principalmente para o consumo humano, na dessedentação dos
animais, recreação e irrigação de hortaliças. Destaca-se ainda nesta sub-bacia o lançamento de esgoto in
natura, proveniente dos assentamentos agrícolas, que contribui de um modo muito significativo para a
degradação do Rio Verde (IGAM, 2006). A sub-bacia do Rio Escuro (RE) (Figura 2.10) está localizada no
do alto curso do rio Paracatu, apresentando um comprimento de 139 km e uma área de 4375,22km2, com
quatro rios principais, que são: o ribeirão Santa Isabel, rio Escurinho, o rio Claro e o rio Escuro. Segundo o
IGAM (2006), trata-se de uma área predominantemente ocupada por pastagens e a vegetação mais
exuberante restringe-se à mata ciliar e às áreas ocupadas por de pivôs e eucaliptos.
Contribuições às Ciências da Terra, Série D, vol. 76, 105p.
17
Figura 2.10- Mapa de localização da sub Rio Escuro - LANDSAT TM 5 (243) – 17/06/2006
Os recursos hídricos desta sub-bacia são utilizados principalmente para a agricultura irrigada e para o
abastecimento público da cidade de Paracatu. O desmatamento nesta sub-bacia é uma prática que ocorre com
frequência em prol de novas áreas de cultivo e pastagem contribuindo assim para a geração de vários
problemas e conflitos ambientais.
Fujaco, M.A.G., 2017, O uso do Sensoriamento Remoto e Cartografia Digital na Gestão de Bacias Hidrográficas Agrícolas.
18
19
CAPÍTULO 3
MATERIAS E MÉTODOS
3.1 - EVAPOTRANSPIRAÇÃO
3.1.1 - Estimativa da evapotranspiração - método convencional
A ET pode ser estimada partindo do princípio da perda e água de uma determinada superfície ou
através do ganho de vapor de água pela atmosfera. Para determinar a perda de água de uma dada superfície,
considera-se esta como um sistema fechado em um determinado período de tempo, deduzindo-se a ET em
função da perda de água deste sistema, enquanto que nas estimativas de vapor de água na atmosfera o
sistema é aberto, determinando-se assim a ET a partir da integração da taxa de fluxo de vapor de água
através da camada limite turbulenta próxima à superfície (Shuttleworth, 1993). A determinação direta da ET
é um processo complicado, pelo facto de exigir um grande número de variáveis hidrológicas e
meteorológicas. Moors (2008) divide este processo em dois grupos, baseando-se: i - no balanço hídrico e ii -
métodos micro meteorológicos. Neste estudo a ET potencial (ETp) foi determinada através do método de
Thornthwait:
Equação 3.1:
ET = Fc . 16 (10 𝑇
𝐼)𝑎
Equação 3.2:
𝐼 = ∑(𝑡𝑖
5)1,514
12
𝑖=1
Equação 3.3:
a = 67,5 . 10−8 I − 7,71 . 10−6 I + 0,01791 I + 0,492 (mm/mês)
Onde, ET = evapotranspiração potencial para meses de 30 dias e comprimento de 12 horas (mm/mês); Fc =
fator de correção em função da latitude e mês do ano; T e ti = temperatura média mensal do ar (0C), a =
exponencial derivada do índice de calor; I = índice anual de calor.
Fujaco, M.A.G., 2017, O uso do Sensoriamento Remoto e Cartografia Digital na Gestão de Bacias Hidrográficas Agrícolas.
20
3.1.2 - Índice de Evapotranspiração – através de imagens de MODIS – MOD16 de MU et al.,
2011.
A ET poderá ser determinada através algoritmos implementados em softwares usados em
sensoriamento remoto, com o uso de imagens orbitais, tendo como resultado final os valores totais de ET
(mm/dia) (Mohamed et al., 2004; Nagler et al., 2005; Silva et al., 2005; McCabe et a.l, 2006; Menezes et
al., 2007; Mu et al., 2007; Dennison et al., 2009; Moreira et al., 2010; Mota et al., 2011; Mu et al., 2011;
Oliveira & Baptista, 2011; Lima et al.,2014). A escolha de qual algoritmo usar para o cálculo da
evapotranspiração normalmente dependente de vários fatores, desde a aquisição de determinado tipo de
imagens à disponibilidade de dados meteorológicos, inputs na maioria dos modelos. Dentre os vários
algoritmos existentes baseados em imagens MODIS, vale destacar o SEBAL (Surface Energy Balance
Algorithms for Land), que calcula a ET diária a partir do fluxo de calor latente, estimado como resíduo de
balanço de energia de superfície, usado para trabalhos em escala local; o algoritmo empírico de Nagler et al.
(2009) baseado no índices de vegetação (EVI) e o desenvolvido por Mu et al. (2011) usado neste estudo, que
aprimorou o algoritmo RS-ET de Mu et al. (2007), e é baseado na equação de Penman-Monteith. Estes
últimos têm apresentado bons resultados no caso de estudos em escalas regionais, em diversas regiões do
globo (Hu et al., 2015), em diferentes situações de uso da terra e/ou climatológicas (Hu et al., 2015, Biggs et
al., 2016).
3.2 - MAPAS DE USO E OCUPAÇÃO ATRAVÉS DAS IMAGENS ASTER – ALGORITMO
LIKELIHOOD
De acordo com Crosta (2002) existem dois tipos de abordagens na classificação de imagens
multiespectrais. A classificação supervisionada fundamenta-se na pré-existência de amostras representativas,
identificadas na imagem a ser analisada. Numa análise de classificação não supervisionada o (s) algoritmo
(s) do software irá identificar as respectivas classes dentro de um conjunto de dados da respectiva imagem.
Neste caso usamos o método da classificação supervisionada – algoritmo Likelihood- para extrair o mapa
de uso e ocupação das três sub bacias. Foram utilizadas duas cenas ASTER de Julho de 2006 no Nível 1B, as
quais foram pré processadas com o software ENVI 4.3®. Após as respectivas correções, foi aplicado o
algoritmo de classificação supervisionada (Likelihood). Foi necessária uma pós classificação a partir da qual
resultou a determinação das seguintes classes: 1- Vegetação natural; 2 – plantação de eucaliptos; 3- pivôs; 4-
pastagens; 5- áreas úmidas/água; 6 – sombra.
Contribuições às Ciências da Terra, Série D, vol. 76, 105p.
21
3.3 - DESENVOLVIMENTO DO SCRIPT “USLE PARACATU WATERSHED” EM
AMBIENTE SIG
Para avaliar a erosão do solo é necessária a coleta de parâmetros biofísicos no campo, o que muitas
das vezes se torna uma tarefa árdua, não só pela dificuldade física (escala de bacia) como económica. Ou
seja, para o desenvolvimento de politicas e regulamentações que permitam a conservação dos recursos
naturais (solo) torna-se necessário uma avaliação de perda do solo a nível regional. De acordo (Van
Rompaey & Govers, 2002), uma das limitações encontradas neste caso é a escassez de dados e a sua fraca
qualidade. O sensoriamento remoto (SR) permite a aquisição de dados homogêneos abrangendo grandes
áreas com uma resolução temporal regular, contribuindo grandiosamente para uma melhor avaliação da
erosão em escala regional. As técnicas de SR, aliadas ao uso de sistemas de informação geográfica (SIGs)
levam ao desenvolvimento de modelos em softwares que permitem um aperfeiçoamento na precisão, e
abrangência dos dados. A erosão do solo causa grandes impactos ambientais e consequentemente altos custos
económicos pela sua interferência na produção agrícola, sua infraestrutura e qualidade da água (Vrieling,
2006). A erosão do solo é controlada por características climáticas, topografia, propriedades do solo,
vegetação e pelas medidas de conservação do solo.
A Equação Universal de Perda do Solo (EUPS) é traduzida através da seguinte fórmula (Wischmeir & Smith,
1978):
Equação 3.4:
Α = R K LS C P
Onde:
A = perda de solo média anual (t/há.ano0
R = fator de erosividade da chuva (MJ mm/há h)
L = fator de comprimento de vertente (adimensional)
S = fator de declividade (adimensional)
C = fator de uso/manejo
P = fator de práticas conservacionistas (adimensional)
A EUPS representa um modelo empírico, deste modo os seus parâmetros devem ser estimados e/ou obtidos
em condições semelhantes aquelas onde este será aplicado (Wischmeir, 1976). Nestas condições destacamos
os parâmetros R, K e C. Os fatores L e S podem ser obtidos através de modelos digitais do terreno (MDT) e
C e P através de tabelas (Bertoni e Lombardi Neto, 1990).
Fujaco, M.A.G., 2017, O uso do Sensoriamento Remoto e Cartografia Digital na Gestão de Bacias Hidrográficas Agrícolas.
22
3.3.1 - Fontes de dados usados para a determinação da USLE
As imagens de satélite usadas neste estudo incluem a imagem de radar SRTM (Shutle Radar
Topographic Mission), (resolução espacial de 30m) a qual foi usada para obter o fator LS e a imagem de
satélite ASTER para a obtenção do mapa de uso e ocupação do solo do ano de 2006 (fator C). O mapa de
solos do Plano Diretor da Bacia Hidrográfica do Rio Paracatu (IGAM, 2006), constitui a base para a
obtenção do fator K e os dados históricos de 35 estações meteorológicas para a geração do fator R (Tabela
3.2).
Numa etapa de pré- processamentos os dados foram convertidos para um Sistema de projeção
comum (World Geodetic Sytem 1984, Zona 23S), e outros procedimentos foram efetuados no MDE e dados
pluviométricos para compatibilização das suas resoluções.
Tabela 3.1- Fonte de dados usada para a determinação dos diferentes fatores da equação da USLE, das sub-
bacias de Entre Ribeiros, Rio Escuro e Rio Verde.
Variável Formato Fonte
Modelo digital de elevação
(resolução = 30m) Matricial USGS Earth Explorer
Pedologia (escala = 1:1.000.000) Vetorial
Plano Diretor da Bacia
Hidrográfica do Rio Paracatu -
IGAM (2006)
Uso e cobertura do solo
(resolução = 15m) Matricial Imagem ASTER
Precipitação anual média
(escala = 1:1.000.000) Matricial
Agência Nacional de Agua
(2014)
3.3.2 - Fator de erosividade da chuva (R)
O fator (R) desenvolvido por Wischmeir & Smith (1978), tenta estimar a erosão causada pelo
impacto das gotas da chuva (energia cinética) quando esta atinge um solo desprotegido, quantificando o
impacto das gotas da chuva e da energia da enxurrada em (MJ. Mm/ha.h). Vários estudos demonstram que
dados sobre a perda de solos, quando associados às características das chuvas, mostraram que, quando os
outros fatores se mantêm constantes, a perda do solo, ocasionada pelas chuvas nos terrenos cultivados, é
diretamente proporcional ao produto de duas características da chuva: 1 – a energia cinética total; 2 – a sua
intensidade máxima em trinta minutos. Deste modo, o produto da energia cinética pela intensidade (EI) é
considerado a melhor relação encontrada para medir a potencialidade erosiva da chuva (Wischmeir & Smith,
1978). Foster et al. (1981) converteram para o sistema métrico a equação do cálculo da energia cinética
desenvolvida por Wischmeir & Smith (1978), na seguinte equação:
Contribuições às Ciências da Terra, Série D, vol. 76, 105p.
23
Equação 3.5
Ec = 0,119 + 0,0873 log I
Onde:
Ec = energia cinética (MJ/há.mm)
I = intensidade da chuva em mm/h
O índice de erosão (EI30) é dado através da seguinte fórmula:
Equação 3.6
EI30 = Ec ∗ I30
Onde:
EI30 = índice de erosão em (MJ.mm/ha.h)
Ec = energia cinética da chuva (MJ/há)
I30 = intensidade máxima em 30 minutos (mm/h)
A soma dos valores de EI durante um período de tempo, representa a erosividade da chuva dentro
desse período estudado. De acordo com Wischmeir & Smith (1978) para efetuar um estudo é necessário uma
série continua de no mínimo 22 anos de dados pluviográficos. A existência de dados pluviográficos torna-se
muito difícil em muitos casos, principalmente em países menos desenvolvidos e de grandes dimensões. No
entanto é mais comum ter dados pluviométricos. Deste modo, o problema pode ser resolvido da seguinte
forma: 1 – obtenção do fator R através dos dados pluviográficos para a maioria dos locais onde existem
pluviógrafos; 2 – efetuar estudos de correlação entre os índices médios mensais de erosividade e a
precipitação média mensal desses locais, e obtendo-se elevados coeficientes de correlação, extrapolar o uso
das equações de regressão para outros locais onde não têm registros de dados pluviográficos, mas que
tenham um regime de distribuição de chuvas semelhante ao do local que originou as equações. Carvalho et
al. (1991) realizaram regressões entre EI30 e a média mensal de precipitação (r), obtendo um elevado
coeficiente de correlação (R = 0,991), para a região de Mococa – SP. Como resultado os autores
desenvolveram a seguinte equação:
Equação 3.7
EI30 = 111,17 ∗ (r/P)2
Onde:
EI30 = média mensal do índice de erosividade (MJ.mm/ha.h)
r = média do total mensal de precipitação (mm)
P = média do total anual de precipitação (mm)
Fujaco, M.A.G., 2017, O uso do Sensoriamento Remoto e Cartografia Digital na Gestão de Bacias Hidrográficas Agrícolas.
24
Para determinação do (R), os resultados dos valores mensais de cada estação pluviométrica (35 estações)
foram somados, conforme a equação 3.8:
Equação 3.8
E = ∑ E30j
12
j=1
Posteriormente, esses dados foram transferidos para uma plataforma SIG. Usando o algoritmo
Natural Neighbor foi gerando o mapa com a distribuição espacial do fator (R).
3.3.3 - Fator Topográfico (LS)
De acordo com Wischimeier & Smith (1978), tanto o comprimento de declive (L) quanto o gradiente
(S) constituem fatores que afetam a intensidade de erosão pela água. Na prática estes fatores são avaliados
conjuntamente, formando o chamado fator topográfico (LS). O cálculo do fator topográfico LS foi efetuado
usando o algoritmo desenvolvido por Desmet & Govers (1996) (equação 3.9) no sub módulo Model Buider
(ArcMap):
Equação 3.9
Lij =[(Aij−in + D2)
m+1− (Aij−in)
m+1]
[Dm+2. xijm (22.13)m]
Onde:
Lij: é o fator de comprimento da vertente de uma célula com as coordenadas (i,j),
Aij-in: é a área de contribuição da célula com as coordenadas (i,j) em (m2),
D: é o tamanho da célula (metros)
X: é o coeficiente de aspecto para a grade de célula em coordenadas em coordenadas (i,j)
m: é o coeficiente de função da declividade para a grade de célula com coordenada (i, j)
O expoente m foi calculado a partir de β, razão entre os canais e os entre canais de erosão, como sugerido
por Renard et al. (1997):
Contribuições às Ciências da Terra, Série D, vol. 76, 105p.
25
Equação 3.10
𝓂 =β
β + 1
Em que β é dado pela Equação 3.11:
Equação 3.11
𝛽 =
sin 𝜃0,0896
[3.0 (sin 𝜃)0.8 + 0.056]
A inclinação do declive (S) foi calculada de acordo com (McCool et al., 1987), pela equação 3.12:
Equação 3.12
𝒮(𝑖,𝑗) = {10.8 sin 𝜃(𝑖𝑗) + 0.03 tan 𝜃(𝑖,𝑗) < 0.09
16.8 sin 𝜃(𝑖,𝑗) − 0.5 tan 𝜃(𝑖,𝑗) > 0,09
A implementação dos algoritmos descritos anteriormente para efetuar o cálculo do fator LS (Figura
3.1) foi realizada na interface gráfica do ModelBuilder no software ArcGis® for desktop 10.2.2 (ESRI,
2015a) e posteriormente implementada em linguagem de programação Phyton.
Fujaco, M.A.G., 2017, O uso do Sensoriamento Remoto e Cartografia Digital na Gestão de Bacias Hidrográficas Agrícolas.
26
Figura 3.1- Fluxograma na interface Modelbuilder ilustrando o conjunto de operações de geoprocessamento utilizadas pelo script “USLE Paracatu
Watershed”, para efetuar o cálculo de perda do solo (A). Os inputs de dados estão representados em azul, em amarelo estão às equações (algoritmos) e os
outputs estão em verde (desde os produtos intermediários ao final).
Contribuições às Ciências da Terra, Série D, vol. 76, 105p.
27
3.3.4 - Fator de Erodibilidade dos solos (K)
O fator K representa a susceptibilidade do solo ao desprendimento e deslocamento das partículas,
dependendo dos vários fatores como: textura, estabilidade estrutural, conteúdo de matéria orgânica,
mineralogia das argilas e os constituintes químicos do solo. O mapa de erodibilidade (K) em SIG das sub-
bacias foi realizado com base no mapa de solos do Plano Diretor da Bacia Hidrográfica do Rio Paracatu
(IGAM, 2006) (Tabela 3.2).
3.3.5 - Fator de uso e ocupação dos solos (C) e práticas conservacionistas (P)
O fator (C) pode ser descrito como a relação da erosão num solo nu com a erosão observada nas
condições de cultivo ou com cobertura vegetal. De acordo com a (FAO, 1991) combina tipos de cobertura,
níveis de produção e técnicas associadas. A cobertura vegetal é um dos parâmetros mais importantes no
controle da erosão, pois interfere no impacto da energia cinética da chuva (R) sobre o solo e também reduz o
efeito do relevo no escoamento superficial e subsuperficial (fator LS) (Neyhay et al., 2009). O fator (P)
representa a relação da perda do solo em presença de práticas conservacionistas específicas com o mesmo
solo na ausência dessas práticas. O fator de uso e ocupação do solo (C) e o fator de práticas
conservacionistas (P) foram obtidos através das imagens ASTER de Julho de 2006 (72/220). Para obtenção
do mapa de classes do uso e ocupação do solo das sub-bacias foi aplicado o método da classificação
supervisionada (algoritmo Likelihood). Desta classificação, resultaram as seguintes classes: 1- Vegetação
natural; 2 – plantação de eucaliptos; 3- pivôs; 4- pastagens; 5- áreas úmidas/água; 6 – sombra. Para cada
classe foi aplicado um valor de C e P da EUPS (Tabela 3.3).
Fujaco, M.A.G., 2017, O uso do Sensoriamento Remoto e Cartografia Digital na Gestão de Bacias Hidrográficas Agrícolas.
28
Tabela 3.2- Valores de erodibilidade (K) por classes de solos das três sub-bacias (Adaptado de Silva, 2001).
Grupo
(Rio Verde)
Fator
(K)
Grupo
(Rio Escuro) Fator (K)
Grupo
(Entre Ribeiros)
Fator
(K)
Argissolos Vermelho
Amarelos
0,04 Cambissolos H-
Plicos Tb
0,048 Cambissolos H-Plicos Tb 0,048
Latossolos Vermelho
Amarelos
0,03 Gleissolos H-
Plicos Tb
0,038 Gleissolos H-Plicos Tb 0,038
Latossolos Vermelhos 0,03 Latossolos
Vermelho
Amarelos
0,03 Latossolos Vermelho
Amarelos
0,030
Neossolos Quartzar-
Nicos
0,032 Latossolos
Vermelhos
0,03 Latossolos Vermelhos 0,032
Neossolos Fluvicos tb 0,042 Neossolos
fluvicos tb
0,042 Neossolos Fluvicos tb 0,042
Neossolos Litólicos 0,036 Neossolos
Litólicos
0,04 Neossolos Litólicos 0,036
Tabela 3.3- Valores do fator CP das sub bacias (Adaptado de Silva, 2001).
Classe de uso e ocupação do solo Fator (CP)
Vegetação Natural 0,006
Eucaliptos 0,012
Pastagens 0,025
Pivôs 0,090
Sombra 0,000
Água 0,000
3.4 - ANÁLISE DOS PARÂMETROS FÍSICO QUÍMICOS E COLETA DE ÁGUA PARA
ANÁLISE DAS SUB BACIAS DE ENTRE RIBEIROS, RIO ESCURO E RIO VERDE
Foram determinados in situ (Figura 3.2) utilizando o multiparâmetro Ultrameter II da marca Myronl
Company a Condutividade Elétrica (CE), Sólidos Totais Dissolvidos (STD), potencial de oxidação redução
(ORP), temperatura e pH. O Oxigênio Dissolvido (O2) e turbidez foram também determinados in situ, com o
auxílio de um oxímetro da marca Digimed modelo DM-4P e um turbidímetro da marca Hanna modelo
HI93703. Todos os instrumentos para medir os parâmetros in situ, foram previamente calibrados em
laboratório. Paralelamente, foram coletados 30 mL de água (Figura 3.3), que foram filtrados com membranas
Contribuições às Ciências da Terra, Série D, vol. 76, 105p.
29
de 0,45µm adaptadas em seringas de 50 mL, para separar o particulado dos elementos solúveis. Ainda no
campo as amostras foram acidificadas com ácido nítrico concentrado em pH menos do que 2 e preservadas a
4°C para posterior análise de metais e metalóides. Os elementos químicos foram determinados por
espectrometria de emissão atômica via plasma (ICP-OES, Spectro Ciros CCD). Toda a metodologia seguiu
as recomendações do Standard Methods for Examination of Water and Wastewater (Greenberg et al., 1992).
Figura 3.2 - Equipamentos utilizados em campo na determinação dos parâmetros físicos: a - multiparâmetro
(Condutividade, Eh, TDS, pH) ; b – turbídimetro e c-oxímetro
Figura 3.3- a - Coleta das amostras de água no campo com a seringa de 50 mL; b – detalhe das membranas
de 0,45 µm.
a b c
a b
Fujaco, M.A.G., 2017, O uso do Sensoriamento Remoto e Cartografia Digital na Gestão de Bacias Hidrográficas Agrícolas.
30
3.5 - ANÁLISE GEOQUÍMICA DOS SEDIMENTOS E SOLOS- ENTRE RIBEIROS, RIO
ESCURO E RIO VERDE
Para a digestão das amostras de sedimento de fundo (<63 μm) foi utilizado o método da Digestão
Total, em que, pesou-se cerca de 0,250 g de cada amostra, utilizando uma balança analítica, no interior de
frascos Savillex. Em seguida foram adicionados 1 mL de ácido nítrico 10 mol/L seguido de 3 mL de ácido
clorídrico 10 mol/L. Os frascos abertos com a mistura foram colocados na placa aquecedora a cerca de
110°C até a secura. Foram adicionados 2 mL de ácido fluorídrico concentrado, deixando os frascos abertos
na placa aquecedora (±110°C) até a secura. Em seguida, foram adicionados novamente 2 mL de ácido
fluorídrico concentrado, porém, fechando os frascos e deixando-os na placa aquecedora (±110°C) por cerca
de 30 horas. Os frascos foram retirados da placa e após resfriamento estes foram abertos e levados a placa
aquecedora (±110°C) até a secura. Foram adicionados 2 mL de ácido nítrico 10 mol/L e os frascos aberto
foram levados à secura na placa aquecedora (110°C). Novamente, adicionou-se 2 mL de ácido nítrico 10
mol/L e os frascos abertos foram levados à secura na placa aquecedora (±110°C). Foram adicionados 2 mL
de ácido clorídrico 10 mol/L e os frascos abertos foram colocados na placa aquecedora à cerca de 110°C até
a secura. Os frascos foram retirados da placa e foram adicionados mais 25 mL de ácido clorídrico 2 mol/L.
Os frascos foram fechados e após agitação foram colocado novamente na placa aquecedora (±110°C) por 2
horas. Após o resfriamento, os frascos, ainda fechados, foram pesados em balança analítica. O conteúdo foi
homogeneizado e transferido para frascos de 30mL, etiquetados e encaminhados para análise. Foi realizada a
análise dos teores de Al, As, Ba, Be, Bi, Ca, Cd, Co, Cr, Cu, Fe, K, Mg, Mn, Mo, Na, Ni, P, Pb, Sb, Sr, Th,
Ti, V, Y, Zn e Zr por Espectrofotômetro de Emissão Atômica com Fonte de Plasma Indutivamente Acoplado
(ICP-OES), marca SPECTRO / modelo Ciros CCD em operação no LGqA/DEGEO/UFOP.
31
CAPÍTULO 4
USE OF MODIS SATTELITE DATA TO CALCULATE
EVAPOTRANSPIRATION IN TROPICAL AGRICULTURAL RIVER
BASINS
Abstract
Calculating evapotranspiration (ET) values by means of remote sensing techniques, having as final products
daily, monthly or annual maps is of extreme importance in the management of large river basins, especially
when data from meteorological stations are scarce or nonexistent. The main aim of this study was to evaluate
the accuracy of the evapotranspiration estimation for large agricultural river basins using remote sensing
techniques in a GIS environment. In addition, climatological data from meteorological stations were used to
validate the results obtained. Three sub-basins with areas greater than 1000km2 and with high agricultural,
livestock and silvicultural activity were chosen. In a time series of MODIS images (2001 to 2014), 436
sampling points were selected along riparian forests for the calculation of ET values using the global
MOD16 evapotranspiration algorithm. The annual maps obtained allowed defining silviculture properties as
areas with higher ET values. The analysis of ET data obtained showed a growth trend in the last 14 years,
which may help in the future planning of water use.
Keywords: MOD16, evapotranspiration, thornthwait, agriculture, Brazil.
Fujaco, Maria Augusta Gonçalves. *1a
; Leite, Mariangela Garcia Praça Leiteb;
a,b Departamento de Geologia, Universidade Federal de Ouro Preto. Morro do Cruzeiro, 35400-000, Ouro
Preto, MG, Brazil.
Artigo submetido à revista Applied Geography.
a*
Federal University of Ouro Preto, Brazil. 1 Corresponding author: Tel 55 3135591891 Fax: 55 3135591600 - E-mail address: [email protected]
Fujaco, M.A.G., 2017, O uso do Sensoriamento Remoto e Cartografia Digital na Gestão de Bacias Hidrográficas Agrícolas.
32
4.1- INTRODUCTION
In recent decades, given the current climate changes, water resources available for agriculture have
been alarmingly declining (Djaman et al., 2016). Regions characterized by limited water availability and / or
high water demand require specific irrigation management strategies to ensure high productivity and
environmental quality maintenance (Provenzano et al., 2013). In other words, the careful control of water
used for irrigation is a fundamental aspect to ensure adequate distribution of available water resources for
residential, industrial and agricultural use (Maeda et al., 2011)
Evapotranspiration (ET) is one of the parameters that most influence the hydrological cycle and
consequently the climate both in regional and / or global scales, being considered by many researchers as the
best indicator for studies of climate changes, since it allows more conscious decisions about conservation,
development and management of water resources in a given region (Jabloun & Sahli, 2008; Ortega-Farias et
al., 2009). Depending on the use and occupation, ET may be responsible for the return to the atmosphere of
more than 60% of precipitation (Korzoun et al., 1978, Turner et al., 1990). In the case of agricultural river
basins, the correct evapotranspiration estimation allows better irrigation scheduling (Teuling et al., 2009;
Djaman et al. 2016), avoiding losses in production, whether due to excess or lack of water, and reducing
costs (Mu et al., 2011).
There are several conventional methods for its estimation, and the Thornthwait method is one of the
most widely used. This method is based on temperature and precipitation over a period of 30 days; however,
it is geographically punctual because it uses data obtained from a meteorological station. That is, it can not
be extrapolated to larger areas, which is fundamental for understanding the dynamics and regional
evapotranspiration variation (Li & Lyons, 1999). In fact, one of the major problems in the management and
monitoring of large river basins is the scarcity of real data due to the few existing meteorological stations,
which results in a low accuracy of evapotranspiration estimates (Maeda et al., 2011). To solve this problem,
orbital images can be used, which are analyzed through remote sensing (RS) techniques, in which
evapotranspiration is determined through algorithms, resulting in maps with the regional variation of total ET
values (Nagler et al., 2005; McCabe & Wood, 2006; Dennison et al., 2009; Mu et al., 2011). According to
(Mu et al., 2011), the radiometric and geometric properties, cloud detection and the high temporal and spatial
resolution of MODIS products onboard of NASA's TERRA and AQUA satellites provide an improved basis
for real-time ET monitoring at global level, since MOD16 data are available on a grid of 1km cells for the
entire global terrestrial surface, with daily, eight-day, monthly and yearly temporal resolutions. In Brazil,
MODIS products are still relatively unexplored to calculate evapotranspiration. The few existing papers;
however, have generated very promising results (Lima et al., 2014; Leivas et al., 2015).
The choice of which algorithm to use for the calculation of evapotranspiration usually depends on
several factors, from the acquisition of certain types of images to the availability of meteorological data,
which are inputs in most models. Among the several algorithms based on MODIS images, SEBAL (Surface
Energy Balance Algorithms for Land) stands out, which calculates the daily ET from the latent heat flux,
Contribuições às Ciências da Terra, Série D, vol. 76, 105p.
33
estimated as surface energy balance residue, used for local scale studies; the empirical algorithm of (Nagler
et al., 2009), which is based on vegetation indexes (EVI) and developed by (Mu et al., 2011) which
improved the RS-ET algorithm of (Mu et al., 2007), and is based on the Penman-Monteith equation. The
latter have shown good results in the case of regional scale studies in different regions of the globe (Hu &
Menenti, 2015) and different land use and / or climatological situations (Hu & Menenti, 2015; Biggs et al.,
2016).
In Brazil, the lack of a consistent network of meteorological stations, complete historical series, and
the large size of most river basins make the country an ideal place for the use of orbital images to calculate
ET. The main aim of this study was to verify the accuracy of ET estimated for large river basins in tropical
regions (with more than 1000km2) based on the algorithm proposed by (Mu et al., 2011). For this purpose,
three sub-basins belonging to the Paracatu river basin, southeastern Brazil, were chosen.
4.2 - MATERIAL AND METHODS
4.2.1 - Study area
The Paracatu River basin (BHRP) lies within geographic coordinates 15° 30'/ 19° 30'S and 45° 10'/
47° 30'W. According to (Peel et al., 2007), the climate in the region can be classified as tropical savannah
with dry winter (type Aw de Koepen), with hot and rainy season, when it rains 93% of the annual total
(October to April) and a dry season from May to October (IGAM, 2006). The region is within the cerrado
biome, Brazilian savanna.
As case studies, three sub-basins of the Paracatu river basin were chosen (Figure 4.1): Entre Ribeiros
(ER), with area of 3924.59 km2; Rio Escuro (RE), with area of 4375.22 km
2 and the Rio Verde (RV), with
area of 1310.62 km2. The water needed for irrigation and other agricultural activities in these sub-basins is
directly collected from the artificial streams or dams constructed by farmers. The occupation of the region of
northwestern state of Minas Gerais dates from the end of century XVI, and activities such as cattle raising
and mining were responsible for the beginning of the settlement. Villages, spatially sparse, promoted the
division of large land areas that in the future would become an agricultural and eucalyptus production poles.
The current percentage of land use with agricultural activities corresponds to almost 90% of the areas under
study.
Fujaco, M.A.G., 2017, O uso do Sensoriamento Remoto e Cartografia Digital na Gestão de Bacias Hidrográficas Agrícolas.
34
Figure 4.1 - Localization map of sub-basins: Entre Ribeiros, Rio Escuro and Rio Verde
4.2.2 - Land use and Land cover map
The algorithm used in the supervised classification process was Maximum Likelihood (MAXVER),
which is a parametric statistical method that defines different classes considering the individual points of the
image and calculates the likelihood of an unknown pixel to belong to one or another class. The classification
was performed on ASTER images due to their high resolution in the visible zone (15 meters) in the year
2006 and served as the basis for the selection of points to be used for the ET calculation.
4.2.3 - Data acquisition and MODIS - MOD16A2 extraction
MODIS images (MOD16A2 product) were used in this study, using 8-day interval data. Fifteen
images were selected from 2001 to 2014, always in the month of July (month of least precipitation). In order
to carry out the temporal analysis of evapotranspiration (ET) evolution in this period, 436 sampling points
along preserved riparian forests were selected (Entre Ribeiros = 152, Rio Verde = 151 and Rio Escuro =
133), which are areas that have not undergone changes in land use and occupation over the years studied.
The (ET) values of the pixel for each point defined in the previous step were extracted. All manipulation and
extraction operations were performed in ArcGIS software v 9.3.
Contribuições às Ciências da Terra, Série D, vol. 76, 105p.
35
4.2.4 - Evapotranspiration (ET) calculation
From MODIS data, ET was calculated using the model developed by (Mu et al., 2011). This
algorithm has corrected the errors proposed by (Mu et al., 2007), which calculated ET only as the sum of wet
soil evaporation and vegetation transpiration only during the day. In the new algorithm, (Mu et al., 2011)
simplified calculations of vegetation indexes, calculated ET as the sum of diurnal and nocturnal components,
began estimating the water flow by dividing the soil surface into saturated wet surface and moist surface and
assuming as soil evaporation the sum of the potential evaporation of the saturated wet surface and real
evaporation of the moist surface. They also improved the transpiration calculation by separating dry canopy
surface from the wet surface and improving methods for estimating stomatal conductance, aerodynamic
resistance and boundary layer resistance.
In order to validate the results obtained with remote sensing techniques, climatological data
(maximum temperature, minimum temperature, precipitation and evaporation to PICHE) were obtained from
BDMET - INMET (National Meteorological Institute) for two meteorological stations: Paracatu (MG)
(OMM: 83479) and João Pinheiro (MG) (OMM: 83481). Based on proximity, data from the first station were
used for Entre Ribeiros and Rio Escuro sub-basins and those of the second station for Rio Verde sub-basin.
However, some analyses were performed taking into account only the Paracatu station (OMM: 83479), due
to the fact that only this station has data on the Paracatu river flow. Data from 1984 to 2014 were used,
covering a historical series of 30 years. Unfortunately, data series was not continuous, containing some
unregistered years, which had to be discarded. Potential Evapotranspiration (ETp) obtained from
meteorological data was determined using the Thornthwait method, calculated with equations 4.1, 4.2 and
4.3:
ET = Fc . 16 (10 T
I)a (eq. 4.1)
I = ∑ (ti
5)1,51412
i=1 (eq. 4.2)
a = 67,5 . 10−8 I − 7,71 . 10−6 I + 0,01791 I + 0,492 (eq. 4.3)
Where: ET = potential evapotranspiration for periods of 30 days and length of 12 hours (mm / month); Fc =
correction factor as a function of latitude and month of the year; T and ti = monthly average air temperature
(oC), a = exponential derived from the heat index; I = annual heat index.
4.2.5 - Data analysis
To analyze the distribution (variability) of ET data of sampling points collected along riparian forests
in time series of satellite images, Boxplot graphs with annual data for the three sub-basins were created.
These graphs were validated and compared with results obtained using the Thornthwait method.
Fujaco, M.A.G., 2017, O uso do Sensoriamento Remoto e Cartografia Digital na Gestão de Bacias Hidrográficas Agrícolas.
36
4.3 - RESULTS AND DISCUSSION
The land use and occupation maps of sub-basins under study are shown in (Figure 4.2). The three
sub-basins show a very similar use and occupation pattern, with more than 40% of the area used for
agriculture and also more than 40% used as pasture for cattle raising (Table 4.1). RE and RV sub-basins have
about 5% of their territory occupied by forestry activities. That is, there are very little preserved savannah
remnants.
Contribuições às Ciências da Terra, Série D, vol. 76, 105p.
37
Figure4.2 - Land use and occupation maps of sub-basins: a) Rio Escuro; B) Rio Verde; C) Entre Ribeiros.
Fujaco, M.A.G., 2017, O uso do Sensoriamento Remoto e Cartografia Digital na Gestão de Bacias Hidrográficas Agrícolas.
38
Table 4.1 - Detailed table with soil use and occupation data of the three sub-basins.
Land use and land
cover Area (Km
2)
Area
(%)
Area
(Km2)
Area
(%)
Area
(Km2)
Area
(%)
Entre Ribeiros Rio Escuro Rio Verde
Shadow 2,89 0,09 25,33 0,59 5,17 0,39
Pivots 57,62 1,79 19,38 0,45 0,66 0,05
Eucaliptos plantation no data no data 176,77 4,13 70,72 5,37
Natural vegetation 1473,99 45,89 1786,05 41,68 571,71 43,39
Pastures 1588,16 49,45 2240,25 52,28 655,91 49,79
Water/wet areas 89,24 2,78 37,45 0,87 13,3 1,01
Total 3211,9 100 4285,23 100 1317,47 100
(Figure 4.3 to 4.5) show some of the ET maps obtained from MODIS images, the year with the
lowest calculated results (Figure 4.3) and the years with the highest values (Figure 4.5). The values obtained
are similar to those found by (Mu et al., 2011) for the southeastern region of Brazil and for woody
savannahs. Through the analysis of maps, it was observed that the highest ET values occur in areas where
there is greater water availability (pivots), higher water availability associated with lower temperatures (areas
of natural vegetation, especially riparian forests) and areas with forestry activities. The latter always present
the highest values on maps. (Sharma, 1984) has shown that river basins vegetated with eucalyptus, annual
evapotranspiration can reach more than 70% of the total annual precipitation, and may be up to three times
higher than evaporation during periods of drought.
Contribuições às Ciências da Terra, Série D, vol. 76, 105p.
39
Figure 4.3 - Evapotranspiration maps of sub-basins for the year 2001: a) Rio Escuro; B) Rio Verde; C) Entre Ribeiros.
Fujaco, M.A.G., 2017, O uso do Sensoriamento Remoto e Cartografia Digital na Gestão de Bacias Hidrográficas Agrícolas.
40
Figure 4.4 - Evapotranspiration maps of sub-basins for the year 2004: a) Rio Escuro; B) Rio Verde; C) Entre Ribeiros.
Contribuições às Ciências da Terra, Série D, vol. 76, 105p.
41
Figure 4.5 - Evapotranspiration maps of sub-basins: a) Rio Escuro (2013); B) Rio Verde (2014) and C) Entre Ribeiros (2013).
Fujaco, M.A.G., 2017, O uso do Sensoriamento Remoto e Cartografia Digital na Gestão de Bacias Hidrográficas Agrícolas.
42
The boxplot graphs created from MODIS image data (Figure 4.6) show that despite small
oscillations over the years, ET shows a clear upward trend in the last 14 years. While in the Entre Ribeiros
and Rio Escuro sub-basins, this trend is gradual, in the Entre Ribeiros sub-basin, data are presented in two
groups, one with smaller values between 2001 and 2008 and another with higher values from 2009. Studies
by (Tabari & Hosseinzadeh, 2014) show that in humid climates, only increases above 20% in air temperature
can lead to an increase of up to 1.2% in ET, whereas smaller increases tend to reduce ET. In the case of the
Paracatu river basin; however, the increase in ET over the years was not accompanied by an increase in
temperature (Table 4.2). The behavior found may be related to changes in land use and occupation suffered
in the last decades. In meta-analysis of data in tropical and subtropical areas around the world, (Stewart,
1984) found significant increases in ET rates due to the exchange of native vegetation cover by agricultural
crops, pasture or forestry.
Contribuições às Ciências da Terra, Série D, vol. 76, 105p.
43
Figure 4.6 - Boxplot graphs with ET data obtained from MODIS images for the three sub-basins: a) Rio Escuro; B) Rio Verde; C) Entre Ribeiros.
Fujaco, M.A.G., 2017, O uso do Sensoriamento Remoto e Cartografia Digital na Gestão de Bacias Hidrográficas Agrícolas.
44
Table 4.2 presents available data from the Paracatu station, with total precipitation, total net discharge (in the
Paracatu river), average temperature and evaporation values for the month of July, and ETjuly values
calculated using the Thorthwait method. The total river flow shows a direct relation with total annual
precipitation (r2 = 0.64), as a function of the collection of river water for irrigation. In warmer and drier
periods, there is a greater need to collect water from streams to supply the water requirement of crops. The
sub-basins have altogether about 100 irrigation pivots (Figure 4.2). The calculated ETp values (Table 4.2), in
general, show a tendency to stability, unlike boxplots of (Figure 4.5), with most values between 3.9 and
4.1mm / day. These values are similar to those obtained by other authors for the southeastern region of Brazil
who used the Thorthwait method (Camargo & Camargo, 2000). However, it is noteworthy that the year 2004
presented the highest amount of rainfall for the month of July during the study period and the lowest
maximum temperatures, which resulted in the lowest ETp values calculated by the Thorthwait method for
the month of July. The milder temperatures and precipitation, even if low, may have reduced the need for
irrigation, allowing the river to maintain higher net discharge in July 2004 (Table 4.2).
Table 4.2 - Climatological data of the Paracatu meteorological station (Sources: INMET and ANA) total
(rainfall and net discharge) and averages for the months of July (temperature and evaporation). Potential
evapotranspiration (ETp) values were calculated using the Thorthwait method for the months of July.
Precipitation
(mm)
Discharge
(m3/s) Temperature
MAX (0C)
Temperature
MIN (0C)
Evaporation
PICHÉ
(mm)
ETp
mm/day
July
Total
annual July
Total
annual
2001 0,0 1168,2 26,6 838,3 29,9 15,7 5,2 4,1
2002 9,5 987,6 43,3 1033,9 29,9 16,3 no data 4,1
2003 0,0 1310,3 54,3 1111,1 28,3 14,3 4,4 3,9
2004 10,4 1591,8 94,1 1239,4 26,7 14,1 4,1 3,1
2005 0,0 1753,7 73,7 1735,6 27,2 14,7 7,0 3,9
2006 1,6 1682,0 75,6 1440;0 27,2 13,8 6,3 3,8
2007 0,0 862,8 79,7 1107,5 28,6 14,5 7,5 3,9
2008 0,0 1198,6 57,1 1472,4 27,2 14,0 7,6 3,8
2009 0,0 1478,1 63,3 1548,1 29,2 15,5 6,4 4,0
2010 0,0 1410,5 47,1 1249,8 28,4 15,1 6,9 4,0
2011 0,0 1349,2 81,7 1446,3 28,9 14,2 6,0 3,9
2012 0,0 1020,5 52,2 1095,0 29,0 14,9 7,4 3,9
2013 0,0 1408,8 66,0 1392,3 28,3 15,2 5,8 3,9
2014 8,4 968,0 28,8 813,1 27,1 15,2 6,7 3,9
Contribuições às Ciências da Terra, Série D, vol. 76, 105p.
45
As the Thorthwait method is based almost exclusively on temperatures, the lower ETp values for
2004 reflect the lower maximum temperatures recorded for the month of July in the years studied. On the
other hand, the results obtained for the same year with MODIS images (Figure 4.6) show a slight elevation in
ET values. In principle, any rise in air temperature is expected to lead to increased transpiration at leaf level.
However, in certain situations, the vapor pressure difference at the leaf-atmosphere interface increases in
response to temperature elevation, reducing, at least partially, stomatal conductance and consequently
transpiration rate (Nijs et al., 1997). On the contrary, a decrease of about 2 degrees in air temperature,
especially in the tropics, whose plants apparently operate near temperature thresholds (Doughty & Goulden,
2008), added to the rainfall, even if low, as observed in July 2004 in relation to the other years, could favor
stomatal opening and increase the transpiration rates. The algorithm used to calculate ET seems to more
realistically express the effect of temperature on stomatal conductance (in addition to other factors) in stands
of riparian forests in tropical biomes, indicating an increase in evapotranspiration in 2004, unlike that
estimated with data from meteorological station.
The variations between methods used to determine evapotranspiration were already expected, since,
in addition to working at different scales and with different data input, the equations used are based on
different concepts.
4.4 - CONCLUSIONS
Effective irrigation management in large agricultural basins can greatly improve the water use
efficiency without reducing production; for this, quantifying evapotranspiration is critical. Traditional
methods for calculating ET based on meteorological data are restricted to sites with large complete historical
series, rare in tropical or underdeveloped tropical countries. Remote sensing techniques are characterized by
data robustness, agility in obtaining results and because they are much more cost effective for small scale
work, such as those needed for continental countries such as Brazil.
The set of MODIS images (MOD16A2 product) and the algorithm of (Mu et al, 2011) used in this
work were very promising for the calculation of ET in tropical river basins. Annual maps enabled a
spatiotemporal assessment of large river basins, which is technically impossible using traditional methods.
With data obtained at sampling points, it was possible to spatially locate areas with higher ET values, such as
forestry properties, and a trend of elevation in ET rates in the last 14 years. The identification of these
patterns can help in the future planning of water use in sub-basins under study, which are dependent on
irrigation for agricultural and eucalyptus production.
Fujaco, M.A.G., 2017, O uso do Sensoriamento Remoto e Cartografia Digital na Gestão de Bacias Hidrográficas Agrícolas.
46
47
CAPÍTULO 5
AGRICULTURAL INFLUENCE ON THE HYDROGEOCHEMISTRY OF
THE SUBBASINS OF THE VERDE, ENTRE RIBEIROS AND ESCURO
RIVERS OF PARACATU HYDROGRAPHIC BASIN (MG) – BRAZIL.
ABSTRACT
Purpose – Of the numerous hydrogeochemical river-water transformations provoked by intense and
irrational soil practices, heavy metal contamination by agrochemical usage is the most worrisome. Long-term
metal accumulation can be transported by rainwater during storms, contaminating rivers. Data on this type of
contamination is still scarce, principally in developing countries, such as Brazil. Herein, the authors evaluate
the influence of agricultural activities on the hydrogeochemistry of the Paracatu River’s sub-basins.
Design/methodology/approach – From a total of 77 points along three sub-basins, water samples were
taken for heavy metal and trace element analyses using spectrometry of atomic emission through plasma
(ICP-OES, Spectro Ciros CCD). The principal water-quality parameters, such as pH, turbidity, conductivity,
oxi-reduction potential, total dissolved solids (TDS), temperature and dissolved oxygen were measured in
situ.
Findings – By incorporating a small drainage area at the monitoring points, it was possible to perceive
agriculture’s influence (in the form of heavy metal contamination from fertilizers and pesticides) on the
water courses.
Practical implications – The results demonstrate a need for monitoring the areas involved with agricultural
activities, not only along the main river, but also along small streams that compose the Paracatu Basin.
Originality/value – There is no published literature on this subject regarding the three studied basins.
Keywords – Water geochemistry, Agriculture, Paracatu River, Environmental management, Brazil
Paper type – Case study
Fujaco, Maria Augusta Gonçalves. *2a
; Leite, Mariangela Garcia Praça Leiteb
a,b,c Departamento de Geologia, Universidade Federal de Ouro Preto. Morro do Cruzeiro, 35400-000, Ouro
Preto, MG, Brazil.
Accepted manuscript in Management of Environmental Quality: (DOI: DOI
10.1108/14777831011049133).
a*
Federal University of Ouro Preto, Brazil. 2 Corresponding author: Tel 55 3135591891 Fax: 55 3135591600 - E-mail address: [email protected]
Fujaco, M.A.G., 2017, O uso do Sensoriamento Remoto e Cartografia Digital na Gestão de Bacias Hidrográficas Agrícolas.
48
5.1 - INTRODUCTION
The relationship between soil and hydraulic resource usage generates conflicts and generally results
in negative impacts on the environment at various levels, such as: river-water pollution and reduction,
sediment transport, and/or contamination. As a consequence of rapid socio-economic growth (Biswas, 1999),
water quantity and quality decreases while demand for this natural resource increases. This has been
intensified by technological development and globalized economics. Water-quality problems are greatly
related to antropic activities, such as unsustainable agriculture and inadequate disposal of residues generated
by domestic and industrial activities. (Tucci et al., 2000; Dias, 2001; Rodrigues, 2001). Impacts of the
farmers’ intense and irrational soil usage on river water has been studied by various scientists (Marques et
al., 2007; Oliveira et al., 2007; Borges et al., 2007; Campos et al., 2009). However, lately, special attention
is being given to water’s metal contamination from the use of agrochemicals. (Meybeck et al., 2007)
describe the contamination of the Seine River (France) by Cd, Cr, Cu, Hg, Pb and Zn, accumulating from
industrial and agricultural activities during the last 50 years. (Chetelat et al., 2008) associate regional
agricultural activities to a great part of the elements encountered in the water of the Changjiang Basin
(China). Also in China, (Chen et al., 2002) detected the presence of Ca, Mg, Na, K, HCO3, SO4, Cl, and Si
in the Yangtze River and correlated these elements to farming activities in the area. In England, (Nicholson
et al., 2003), working only with soil from agricultural areas, detected the presence of Zn, Cu, Ni, Pb, Cd, Cr,
As and Hg, which would be available for transport to water courses. In Brazil, various articles have been
published on the subject, such as is the case of (Ramalho et al., 2000). They studied the Caetés watershed
and found that the intense application of agrochemicals provoked an increase in the heavy metal
concentrations of the water and sediment, presenting higher levels than the maximum standards established
for potable water by the Brazil’s Health Department. Santos et al. (2008) detected cadmium and lead values
above the limits established by the CONAMA 20/86 Norm. The Paracatu Basin (Figure 5.1) is surrounded
by intense mechanized agriculture areas that use extensive central-pivot irrigation systems. The dynamics of
large-farm crop production demands a great consumption of fertilizers, pesticides and herbicides, that if not
used in a rational form, will greatly contaminate the area. To maintain water quality at acceptable standards
for consumption, and at the same time guarantee farming activities, river-water monitoring is required to
guarantee sustainable development of the area. To be able to make wise decisions, knowledge of the water
cycle and basin dynamics is essential, improving the management of the hydrographic basins and their
resources. Although the Brazilian government has made an effort to increase monitoring the country’s
hydraulic resources, the immense extension of the waterworks in the country involves prohibitive operational
costs. Figure 5.2 shows the pre-existing water-quality monitoring points in the Paracatu River Basin. Notice
that in the entire Basin, there are only 19 sampling points, corresponding to more than 2400km2/point.
Contribuições às Ciências da Terra, Série D, vol. 76, 105p.
49
Figure 5.1 - Paracatu basin and sub basins location map
Fujaco, M.A.G., 2017, O uso do Sensoriamento Remoto e Cartografia Digital na Gestão de Bacias Hidrográficas Agrícolas.
50
Figure 5.2 - Water quality monitoring points (IGAM)
Contribuições às Ciências da Terra, Série D, vol. 76, 105p.
51
As such, there is a great lack of knowledge about this area suffering, not only from the impact of
intense agriculture, but also from other sources of antropic activities inherent to the large cities that are
located in this region. It is well-known that small drainage systems are an important tool to be utilized when
evaluating land-use changes that consequently transform the hydraulic resource characteristics when the
soil’s chemicals are processed and transported to the waterways (Likens, 2004; Thomas et al., 2004). Of the
19 sampling points, 08 are encountered in the three studied sub-basins with three in the Entre Ribeiros River
subbasin (ERR) (two in the São Pedro Creek – Pts. 025 and 029 and the third in the Entre Ribeiros Creek –
Pt. 031), four points in the Escuro River (ER) subbasin (Pts. 09, 011, 13, and 15) and a single point in the
Verde Rio (VR) subbasin (Pt. 035 – in the exit point) of the subbasin near the confluence of VR with the
Paracatu River ; all being located in main rivers. This study tries to reduce the lack of data for the area by
supplying data from the monitorization of small drainage systems, incorporated at the points, and
characterizing the hydrogeochemicals of these three subbasins of the Paracatu River Basin.
5.2 - LOCATION AND CHARACTERIZATION
The Paractu River, which in the Tupi-Guarani language means “good river”, drains a surface of
approximately 45.600km², including areas from the states of Minas Gerais, Goias and the Federal District. It
is an affluent of the São Francisco River, being responsible for around 24% of its flow. According to
estimates from IBGE - Instituto Brasileiro de Geografia e Estatística – for the year of 2007, the region
drained by the basin contains more than 3 million inhabitants (IBGE, 2009). Its occupation dates back to the
beginning of the eighteenth century and since then has been involved in extractive activities. With the
discovery of gold in the region, inumerous expeditions converged in this area, forming primitive population
aglomerates and support points for travelers and exploratory expeditions. With the decline of the mining
activity in the second half of the eighteenth century, cattle-raising became the principal economic activity of
this area, populating the area but not producing enough to stimulate regional development. With the
transferance of Brazil’s Capitol from Rio de Janeiro to Brasília, this situation transforms in the 60s and 70s
when programs were established to make use of the area’s economical resources, principally in respect to the
expansion of its agricultural frontier. Since then, by producing grains, it now plays a significant role in the
regional economy (IGAM, 2006). The basin has great extensions of central-pivoted irrigation systems, which
lead to great water-usage conflicts. The Entre Ribeiros River (ERR) subbasin is located in the midway up the
Paracatu River, having an area of 3962.51km2. Its land occupation was stimulated and orientated, in 1983,
by a settlement incentive (Colonization project of Paracatu/Entre Ribeiros) that created an increased water-
usage demand for the expanding agricultural activities. It is an area intensively farmed with pivot-irrigated,
mechanized agriculture and other activities, such as cattle pastureland (this latter occupies around 39.62% of
the subbasin) (See Table 5.1). According to Regis (2007), along its history, this subbasin has presented a
trajectory of water shortage, complete vegetational suppression, and producer conflicts. It is understandable
that the deforestation of this subbasin for these farming activities has had its consequences and the areas
Fujaco, M.A.G., 2017, O uso do Sensoriamento Remoto e Cartografia Digital na Gestão de Bacias Hidrográficas Agrícolas.
52
most affected are the upper part of the Preto River, the middle to lower parts of ERR, and the middle to
lower parts of ER. The plateau area is characterized by soybean plantations, while the fluvial valleys are used
for other crops and pastureland. Along the subbasin of ERR, some naturally-flooded areas were drained to
give place to pastureland and agriculture. According to PLANTAR (1996), the areas with natural vegetation
are restricted to steep hill zones where the soil is inadequate for agricultural development.
Table 5.1 - Classes of the use, occupation and vegetal cover of the studied sub basins
(Source: Plano Diretor de Paracatu, 2006).
The VR subbasin, with an area of 1310.62 km2
and situated in the Municipality of João Pinheiro,
feeds the Paracatu River Basin at midcourse. Two small rivers feed this subbasin: the Feio River and the
Verde River; this latter giving name to the subbasin. Its upstream course is characterized by rolling hills with
a well-developed and preserved dense forest. Whereas, in the midcourse and downstream areas, there is s
significant reduction in slope, forming a huge flatland, characteristic of this zone. Close to the convergence
of the Verde River with the Feio River, pastureland dominates the scenery, occupying a total area of 43.58%
(Table 5.1). Eucaliptus plantations (located in the upper and midcourse of the river) represent 122 km2 of the
occupied area. Close to its exit point, there are soybean and corn crops, using huge pivot irrigators (Plano
Diretor da Bacia do Paracatu, 2006). The water from the Verde River subbasin is mainly used for human
consumption, watering animals, recreation and gardening. Untreated sewage is deposited directly into the
river, degrading it even further (IGAM, 2006). The ER subbasin is localized in the upper course of the
Paracatu River, presenting a length of 139 km, covering an area of 4375,22km2, and fed by four rivers: the
Santa Isabel River, the Escurinho River, the Claro River e the Escuro River. According to IGAM (2006), it is
an area dominated by pasture land with partially preserved dense forests, and according to data presented in
the Plano Diretor do Rio Paracatu, around 1807.19 Km2
of a total of 3817.78 Km2
are occupied by
pastureland, representing 47.34 % of the total area of the subbasin (Table 5.1). The hydrical resources of this
Contribuições às Ciências da Terra, Série D, vol. 76, 105p.
53
sub basin are utilized principally for irrigated agriculture and for the City of Paracatu’s water supply.
Deforestation frequently occurs in this subbasin, as preference is given to opening new areas for crops or
pastureland, which generates various problems and environmental conflicts.
5.3 - METHODS AND MATERIAL
5.3.1 - Sampling point selection
Selection of the sampling points was done on the basis of the drainage structure in each subbasin,
together with the geology and land-use of the area. The objective was to determine the particular features of
each subbasin. For this, a total of 77 points for water collection were chosen: 23 in the ERR subbasin, 15 in
the VR subbasin, and 30 in the ER subbasin (Figure 5.1).
5.3.2 - Physical-Chemical Analyses
Electricity conductivity (EC), total dissolved solids (TDS) oxidadtion reduction potential (ORP),
temperature and pH were determined in situ utilizing a multiparameter Myronl Ultrameter II device. Also in
situ, a Digimed DM-4P oximeter was used to measure dissolved oxygen (O2) and a Hanna HI93703
turbiditymeter to measure turbidity. All of the instruments were previously equilibrated in the laboratory.
Parallely, 30 mL of water was collected and filtered with 0.45µm membranes adapted to 50mL seringes to
separate soluable particulated elements. While in the field, the samples were acidified with concentrated
nitric acid for a pH of less than 2 and preserved at 4°C for the future use in metal and metaloid analyses. The
chemical elements were determined by spectrometry of the atomic emission (ICP-OES, Spectro Ciros CCD).
The methodology used was in accordance with that recomended by the Standard Methods for Examination of
Water and Wastewater (Greenberg et al., 1992). Finally, the obtained results were compared with the data
obtained during the campaign for water-quality evaluation of the Programa Águas de Minas do IGAM
(Instituto Mineiro de Gestão das Águas) and with the reference values determined by the norm CONAMA
357/2005.
5.4 - RESULTS AND DISCUSSION
According to a report issued by IGAM in 2008, when the studied basins have monitoring stations,
they present average values for the IQA (water quality index) between 50 and 70, which represent average
values for the contimation by agrotoxins. of IGAM’s monitoring stations, four present water classified as
Class 1 in accordance with the CONAMA (2005) Norm and the rest are classified as Class 2 in function of
the high values of lead, manganese, and sometimes cadmium found in the water. Table 5.2 to 5.7 present the
results obtained for the three studied sub basins. The highest acidity value for pH was registered in the ER
subbasin, where values oscillated between 2.6 and 6.9 for an average of 5.1, which is below the value
established in the CONAMA, 357/05 Norm. Only 15 points of a total of 39 registered values inside the Norm
(Table 4.2).
Fujaco, M.A.G., 2017, O uso do Sensoriamento Remoto e Cartografia Digital na Gestão de Bacias Hidrográficas Agrícolas.
54
Table 5.2 - Results of physical chemical parameters analyzed in ER subbasin
In comparison, the ERR subbasin registered the lowest 4.6 and highest 7.59 pH values and of the
total of 21 sampling points, only 6 were within the values established by the Norm (Table 5.3).
Contribuições às Ciências da Terra, Série D, vol. 76, 105p.
55
Table 5.3 - Results of physical chemical parameters analyzed in ERR sub basin.
Finally, in the VR subbasin, the only value below the CONAMA Norm was found at point RV15
with a pH of 4.62 (Table 5.4).
Table 5.4 - Results of physical chemical parameters analyzed VR subbasin
Fujaco, M.A.G., 2017, O uso do Sensoriamento Remoto e Cartografia Digital na Gestão de Bacias Hidrográficas Agrícolas.
56
As far as oxidation reduction is concerned, noticeable are the high values found the ER subbasin.
When evaluating the set of pH and Eh values, the difference in the sub basins is very clear: while the ER sub
basin presents the highest values of Eh and the lowest for pH, the VR sub basin presents the highest pH
values and the lowest Eh values. The ERR sub basin, on the other hand, presents intermediate values for both
pH and Eh. In general, the totally dissolved solids (TDS) were below a 500 mg/L concentration; value
stipulated by CONAMA Norm 357/05. In the ER sub basin, of the 39 sampling points, only one (ER33)
presented a value above the Norm, registered at 549.20 mg/L, while the rest oscillated between 4.78 mg/L
and 238.3 mg/L. The TDS values in the ERR sub basin presented a uniform behavior with all below the 500
mg/L accepted value, oscillating between 2.25 mg/L and 72.46 mg/L. The same behavior was observed in
the VR sub basin, where all the TDS values were below the maximum established by the Norm, oscillating
between 12.32 mg/L and 284.30 mg/L. Most of the dissolved oxygen (DO) values were below the value
stipulated for Class 3 water, especially in the RE sub basin, where 29 of the 39 sampling points presented
values lower than 4ppm. The highest turbidity values were found in the ERR sub basin, oscillating between
1.31 and 902.0 UTs. In the VR sub basin, the minimum turbidity value was 0.78 Uts and the maximum,
43.01 UTs. This is very different of the ERR sub basin, where the tributaries flow less the dense forest is still
intact and the mechanized agriculture only occurs close to the point of confluence of the VR with the
Paracatu River. The higher values correspond to the streams with a heavy flow and a great volume of
sediments in suspension. This previously described sub basin is an area where there are large production
areas dominate, producing soybean, corn, and sugarcane on a large scale, but there are some non-productive
areas from which the soil can be easily transported to the streams. In the VR basin, the minimum turbidity
value was 0.78 UT and the maximum, 43.01 UT. This is quite different from the ERR sub basin whose flow
is less and forest is dense and well-preserved; mecanized agriculture only occurring at the point of
confluence of the Verde River and the Paracatu River. The heavy metal concentrations of the sampled water
from the VR sub basin are shown in (Table 5.5).
Contribuições às Ciências da Terra, Série D, vol. 76, 105p.
57
Table 5.5- Concentration of major and trace elements in VR subbasin waters
Notice that some concentrations are above the Class 2 acceptable limits according to (CONAMA,
2005) Norm, placing this water in the Class 3 category or even Class 4. Lead (Pb ) and Zinc (Zn) were
detected at two points: the first, at point VR07 where the concentration was 52.7 µg/L and the second, at
point VR15 where the concentration was 205,4 µg/L. The iron (Fe) presented concentrations above the
values recomended by the Norm at 34 of the 77 sampling points, especially in the VR subbasin, where 85%
of the points contained concentrations above 0.3 mg/L. The aluminum (Al) and Copper (Cu) presented
values above the limits for Class 3 in 15 points, with special notice given to the presence of Cu in the ERR
sub basin, where 33% of the points had values above 0.009 mg/L. Cu was the determining element for the
classification of the water as Class 3 or 4, as it was a constituent common in fungicides (Chaim et al., 2001),
utilized in protecting various crops.
When the average concentration values of the elements are compared in the 3 sub basins some values
call attention: the ERR (Tables 5.6) sub basin presents greater Al concentrations; the ER sub basin (Table
5.7) presented lower values of Mg and Zn; and the VR sub basin presented greater average concentrations of
almost all of the elements, with emphasis on the values obtained for Ba, Ca, K, Na, Fe, Mn e Sr.
Fujaco, M.A.G., 2017, O uso do Sensoriamento Remoto e Cartografia Digital na Gestão de Bacias Hidrográficas Agrícolas.
58
Table 5.6 - Concentration of major and trace elements in ERR subbasin waters
Contribuições às Ciências da Terra, Série D, vol. 76, 105p.
59
Table 5.7 - Concentration of major and trace elements in ER subbasin waters
Fujaco, M.A.G., 2017, O uso do Sensoriamento Remoto e Cartografia Digital na Gestão de Bacias Hidrográficas Agrícolas.
60
5.5 - CONCLUSIONS
The three sub-basins monitored during this study are encountered in an area of intense agricultural
activity, all with large areas designated for pastureland. At the ERR and ER sub-basins, besides cattle-raising
activities, there are also crops of soybean and corn planted, while in the VR sub-basin, the second greatest
activity is reforestation in the form of Eucaliptus plantations. The metals that appear with concentrations
above the limits defined for Class 2 water according to CONAMA’s 357/05 Norm are Al, Fe,Cu, Mn and Zn.
These two latter elements appear at specific monitoring points and the only source of contamination that
justifies the presence of these elements in this area are the items used in agricultural activities. According to
Ongley (1996), agriculture is the single largest user of freshwater resources, using a global average of 70 per
cent of all surface water supplies. Except for water lost through evapotranspiration, agricultural water is
recycled back to surface water and/or groundwater. Conventionally, in most countries, all types of
agricultural practices and land use, including animal feeding operations (feed lots), are treated as a non-point
sources. Non-point source pollutants are transported overland and through the soil by rainwater and
ultimately find their way into groundwater, wetlands, rivers, and lakes and, finally, to oceans in the form of
sediment and chemical loads carried by rivers. One area, however, that is well known, is the data problem.
The water quality database, which is available in many developing countries (and in some developed
countries), is of little value in pollution management at the river basin scale, nor is it useful for determining
the impact of agriculture, relative to other types of anthropogenic impacts. A common observation among
water quality professionals is that many water quality program, especially in the developing countries,
collect the wrong parameters, from the wrong places, using the wrong substrates and at inappropriate
sampling frequencies, and produce data that are often quite unreliable. In spite of the monitoring performed
by IGAM, that classified the water from the sub-basins as Class 1 or 2, 50 per cent of the analyzed points
presented element concentrations that placed them in Class 3 and21 per cent in Class 4. This is evidence that
there is an extreme need to establish more adequate monitoring points in the sub-basins, including small
Contribuições às Ciências da Terra, Série D, vol. 76, 105p.
61
drainage channels, so that it would be possible to perceive the different particularities encountered in the
area, and as such, aid in the sustainable management of the water resources for future generations.
Fujaco, M.A.G., 2017, O uso do Sensoriamento Remoto e Cartografia Digital na Gestão de Bacias Hidrográficas Agrícolas.
62
63
CAPÍTULO 6
A GIS-BASED TOOL FOR ESTIMATING SOIL LOSS IN AGRICULTURAL
RIVER BASINS
Abstrat: Soil erosion is a major problem observed in terrestrial ecosystems. Monitoring and identifying
potential areas for erosion becomes extremely important for better management of these areas. The main aim
of this study was to development of a Geographic Information System scripttool based on the universal soil
loss equation (USLE), which calculates soil loss in three large agricultural sub-basins. Algorithms were
implemented in the graphical interface of ModelBuilder and later in Python programming language, thus
allowing the creation of a specific script to calculate soil loss in an automatic way. The "USLE Paracatu
Watershed" script was validated and proved to be effective in estimating erosion in the three sub-basins with
an average processing time of half second per km2. This can be added via "ArcToolbox" toolbox in ArcGIS
software, so that the user only has to add the variables of the USLE equation and the software will process
the algorithms in an automatic way, generating the final map with the soil loss value (t/ha.year). The friendly
interface of the script allows it to be used in any area, only requiring the user to enter the updated data of
parameters that compose the equation.
Keywords: universal soil loss equation, GIS, script, watershed.
Fujaco, Maria Augusta Gonçalves. *3a
; Leite, Mariangela Garcia Praça Leiteb; Neves, Antônio Henrique
Caldeira Jorgec.
a,b,c Departamento de Geologia, Universidade Federal de Ouro Preto. Morro do Cruzeiro, 35400-000, Ouro
Preto, MG, Brazil.
Accepted manuscript in REM (International Engineering Journal): (DOI: doi.org/10.1590/0370-
44672015690197).
a*
Federal University of Ouro Preto, Brazil. 3 Corresponding author: Tel 55 3135591891 Fax: 55 3135591600 - E-mail address: [email protected]
Fujaco, M.A.G., 2017, O uso do Sensoriamento Remoto e Cartografia Digital na Gestão de Bacias Hidrográficas Agrícolas.
64
6.1. INTRODUCTION
Erosion processes, terrestrial relief modelers, are natural events taking place worldwide over the
geological time. However, the propensity of a particular area to soil loss can be enhanced due to its use and
occupation, particularly in cases involving the removal of native vegetation (Foucher et al., 2014). Currently,
soil erosion is a serious problem that threatens watersheds in tropical regions with intense agricultural use
(Sreeja et al., 2015). Such erosion processes not only promote loss of fertile soil, but also increase the
amount of particulate matter carried to rivers, reservoirs and seas, with consequent deposition and silting,
deteriorating the quality of ecosystems. There is an increasing need for tools that enable efficient and
optimized management of these resources. There is no single method that provides assessment and
quantification of erosion processes, since erosion calculation is directly linked to spatial scale and study
purpose (Warren, 2002). One of the models most widely used for the calculation of soil loss in agricultural
areas is USLE (Universal Soil Loss Equation), developed by Wischmeier (1978) linked to the United States
Agriculture Research Service. This seemingly simple equation has shown great potential in the evaluation of
erosion in regional scale, both in the identification of potentially erodible areas as in monitoring erosion over
time. Its efficiency is based on the estimation of the main factors that control erosion processes (Wischmeier
and Smith, 1978): rainfall erosivity (R), soil erodibility (K), topographical factors (LS), soil use and
occupation (C) and conservation practices (P). These factors, when specialized, may be entered into a GIS
database, so that the results (output) obtained by geoprocessing techniques are represented in a grid of geo-
referenced cells, allowing a quantitative analysis of the spatial distribution of erosion. Soil loss estimated
through GIS has lower costs as compared with traditional methods, and greater accuracy for large areas (Lu
et al., 2004 and Erdongan et al., 2007). Therefore, the use of USLE based on Geographical Information
Systems (GIS) is increasingly common, especially in watersheds of developing countries, where agricultural
areas are large and resources used for the sustainable management of these regions are scarce (Fistikoglu and
Harmancioglu, 2002; Erdogan et al., 2007; Pandey et al., 2007; Dabral et al., 2008; Ozcan et al., 2008;
Beskow et al., 2009; Devatha et al., 2015; Guo et al., 2015). Nevertheless, there are few projects that have
made use of a tool (script tool) coupled to GIS to optimize this process. In this context, the aim of this study
was to develop and test a tool on a GIS platform that calculates the erosion rate based on the USLE empirical
model. This is a script created through ModelBuilder and ArcPy features (ESRI, 2015). Initially, the
conceptual model of USLE was built using ModelBuilder, where spatial problems and techniques to be used
were defined, which were used to define input data and structure algorithms. Subsequently, IDE PyScripter
was used in implementation, editing and debugging of algorithms used in the construction of the tool (script
tool). The script created was then added as a tool (script tool) to the ArcGIS desktop software 10.2. The tool
developed will increase the efficiency in the management of watersheds, reducing the time and allowing its
application in areas of different sizes, geomorphologies and uses. In addition to these advantages, being an
“add in” in the ArcGIS 10.2 software, it becomes a tool with a friendly interface to users, who will not
Contribuições às Ciências da Terra, Série D, vol. 76, 105p.
65
need to be experts in GIS, since they only need to select the input of layers, which in this case are the
parameters that compose the USLE formula.
6.2. MATERIAL AND METHODS
6.2.1 Description of the study area
The Paracatu Watershed (BHRP) is inserted between geographical coordinates 15°30 '/ 19°30'S and
45°10'/ 47°30'W, covering an area of 45,600 km2, and 92% of this area, approximately 41,600 km
2 belong to
the state of Minas Gerais, and the remaining 5% and 3% is distributed between state of Goias and the Federal
District (IGAM, 2006). The climate of the Paracatu Watershed is classified as rainy megathermal Aw type
(Köppen. - Pellet et al., 2007), i.e., it presents a summer rainy season from October to April (93% of the
annual total rainfall) and a dry winter season from May to October, when rainfall is minimal and the
temperature is mild, with average monthly temperature of 18°C (IGAM, 2006). The study area includes three
Paracatu River sub-basins (Figure 6.1): the Entre Ribeiros sub-basin (ET), Rio Verde and Rio Escuro. These
areas are heavily occupied by mechanized agriculture, in which the irrigation method is adopted by central
pivot, in addition to other activities such as livestock and eucalyptus monoculture.
Fujaco, M.A.G., 2017, O uso do Sensoriamento Remoto e Cartografia Digital na Gestão de Bacias Hidrográficas Agrícolas.
66
Figure 6.1 - Localization map of sub basins: Entre Ribeiros, Rio Escuro and Rio Verde, with the sedimentological and weather stations.
Contribuições às Ciências da Terra, Série D, vol. 76, 105p.
67
6.2.2 - Data sources and processing methods
Satellite images used in this study include SRTM radar image (Shuttle Radar Topographic Mission),
spatial resolution of 30m, which was used to obtain the LS factor and ASTER satellite image to make the
map of soil use and occupation of 2006 (C factor). The soil map of the Paracatu Watershed Master Plan
(IGAM, 2006), which forms the basis for obtaining the K factor and the historical data from 35 weather
stations for the generation of the R factor (Figure 5.1). In a pre-processing step, data were converted to a
common projection system (World Geodetic System 1984 Zone 23S). In its original version, the Universal
Soil Loss Equation (USLE) is as follows (Wischmeier and Smith, 1978):
𝜜 = 𝑹 𝑲 𝑳𝑺 𝑪 𝑷 Equation 6.1
Where: A is the average annual soil loss (t / ha.year), R is the erosivity factor (MJ mm / ha h), L is the length
factor (dimensionless), S is the slope factor (dimensionless), C is soil use / management factor and P is the
factor related to conservation practices (dimensionless).
6.2.2.1 - USLE factors
The erosivity factor (R) is defined as the sum of the annual average of products of kinetic energy and
rainfall by the maximum intensity for a period of 30 min (I30). In this study, the R factor was estimated from
historical data of 35 rainfall stations spatially distributed over the three sub-basins evaluated in this study
(Figure 6.1), using the equation developed by (Carvalho et al. 1991):
𝐄𝐈𝟑𝟎 = 𝟏𝟏𝟏, 𝟏𝟕 ∗ (𝐫/𝐏)𝟐 Equation 6.2
Where EI30 corresponds to the average monthly erosivity index (MJ.mm/ha.h), (r) is the average monthly
total rainfall (mm), and P is the average total annual rainfall (mm). For determining (R), the monthly values
for each rainfall station were added, according to equation 6.3:
𝐄 = ∑ 𝐄𝟑𝟎𝐣𝟏𝟐𝐣=𝟏 Equation 6.3
The soil erodibility map (K factor) was obtained by the soil map georeferencing (scale of 1: 500,000) of the
Master Plan for Water Resources of the Paracatu Watershed and adapted from (Silva, 2004). The soil use and
occupation factor (C) and the conservation practices factor (P) were obtained from ASTER images of July
2006. To obtain the soil use and occupation of sub-basins, a supervised classification method was applied
(Likelihood algorithm), using the ENVI 4.2® software. This classification resulted in the following classes:
1- Natural vegetation (CP= 0,006); 2 - Eucalyptus plantation (CP=0,012); 3 – Pivots (CP=0,09); 4- Pastures
(CP=0,025); 5- Wetlands / water (CP=0,00); 6 – Shade (CP=0,00). The soil use and occupation map was
reclassified to the respective C values.
Fujaco, M.A.G., 2017, O uso do Sensoriamento Remoto e Cartografia Digital na Gestão de Bacias Hidrográficas Agrícolas.
68
The calculation of the L topographic factor was performed using the algorithm of Desmet and Govers (1996)
(Equation 6.4):
𝐋𝐢𝐣 =[(𝐀𝐢𝐣−𝐢𝐧+𝐃𝟐)
𝐦+𝟏−(𝐀𝐢𝐣−𝐢𝐧)
𝐦+𝟏]
[𝐃𝐦+𝟐.𝐱𝐢𝐣𝐦(𝟐𝟐.𝟏𝟑)𝐦]
Equation 6.4
Where Lij is the length factor of a cell with coordinates (i, j), Aij-in is the contribution area of the cell with
coordinates (i, j) in (m2), D is the cell size (meters), X is the aspect coefficient for the cell grid with
coordinates (i, j) and m is the slope function coefficient for the cell grid with coordinates (i, j). Exponent m
was calculated from β, which is the ratio between erosion channels and inter-channels, as suggested by
Renard et al. (1997):
𝓶 =𝛃
𝛃+𝟏 Equation 6.5
Where β is given by equation 6.6:
𝛃 =
𝐬𝐢𝐧 𝛉
𝟎,𝟎𝟖𝟗𝟔
[𝟑.𝟎 (𝐬𝐢𝐧 𝛉)𝟎.𝟖+𝟎.𝟎𝟓𝟔] Equation 6.6
The slope (S) was calculated according to Renard et al. (1987):
𝓢(𝐢,𝐣) = {𝟏𝟎. 𝟖 𝐬𝐢𝐧 𝛉(𝐢𝐣) + 𝟎. 𝟎𝟑 𝐭𝐚𝐧 𝛉(𝐢,𝐣) < 𝟎. 𝟎𝟗
𝟏𝟔. 𝟖 𝐬𝐢𝐧 𝛉(𝐢,𝐣) − 𝟎. 𝟓 𝐭𝐚𝐧 𝛉(𝐢,𝐣) > 𝟎, 𝟎𝟗 Equation 6.7
Equation 6.7 was implemented in the first phase the in ModelBuilder and later in the Python
programming language, allowing the automatic calculation of this parameter via ArcGis® software, resulting
in LS maps of the three sub-basins.
6.2.3. Development of the "USLE Paracatu Watershed" script
In the cartographic modeling, the geoprocessing mechanism involves entering input data, performing
a mathematical operation in this set of data and returning the results as output data. It was observed that these
mathematical operations are carried out with matrix and vector data. The implementation of equations
described above (Figure 6.2) was carried out in the graphical interface of the ModelBuilder in ArcGis® for
desktop software 10.2.2 (ESRI, 2015) and subsequently implemented in Python 2.7 programming language,
thereby helping to create a specific script to make the soil loss calculation (A). Then, the code for
implementing the Phyton algorithm was created, subsequently used for adding a tool (script tool – Figure
6.3) in a set of tools (toolbox) in the ArcGIS software with the Spatial Analyst extention. This tool runs in
Contribuições às Ciências da Terra, Série D, vol. 76, 105p.
69
ArcGis versions that support Phyton 2.7. Raster Calculator defines raster cell size basead on DEM
resolution.
Fujaco, M.A.G., 2017, O uso do Sensoriamento Remoto e Cartografia Digital na Gestão de Bacias Hidrográficas Agrícolas.
70
Thus, erosion estimate (A) was obtained from the product (output) of all plans of information related to the USLE factors, using equation 6.1 (inputs).
Figure 6. 2 - Flowchart in the ModelBuilder interface illustrating the set of geoprocessing operations used by the "USLE Paracatu Watershed" script to
perform the soil loss calculation (A). Input data are represented in blue, equations (algorithms) are in yellow and the output data are in green (from
intermediate to final products).
Contribuições às Ciências da Terra, Série D, vol. 76, 105p.
71
Figure 6.3 - Soil Lost Script Tool window in Arctoolbox.
6.2.4. Data validation
6.2.4.1. Total soil loss (A)
After applying equation 6.1, the total soil loss maps (A) were obtained. In order to validate these
results, the average soil losses were calculated for each sub-basin, eliminating 10% of their most extreme
values, according to the procedure adopted by Silva (2004). Then, the values obtained for soil loss in each
sub-basin were transformed into sediment input. The results were then compared to sedimentological data
from the Santa Rosa and Porto Alegre stations (Table 6.1).
Table 6.1- Total annual sediment load (t/year) in Santa Rosa and Porto Alegre stations
Total annual sediment load (t/ano)
Stations
Current study
(estimated for
2006)
Silva, 2004
(estimated for
1999)
Carvalho, 1994
(measured between
1976 e 1982)
Santa Rosa 2,22 x 106 2.92 x 10
6 2,02 x 10
6
Porto Alegre - 5,48 x 106 5,20 x 10
6
6.2.4.2 - Sedimentological data
Unfortunately, there are no sedimentometrical stations in the basins studied, so the erosion values
obtained were compared to sedimentological data from two stations of the Paracatu Watershed: Santa Rosa
station - covering a drainage area of 13,067 km2 (downstream of the Rio Escuro sub-basin); and the Porto
Alegre station - with drainage surface of 42,171 km2 (downstream of all sub-basins).
Fujaco, M.A.G., 2017, O uso do Sensoriamento Remoto e Cartografia Digital na Gestão de Bacias Hidrográficas Agrícolas.
72
6.2.4.3 –Sediment delivery
The total soil loss calculated by USLE is most often greater than the sediment load measured at the
mouth of basins (Zhou and Wu, 2008), the result of sedimentation along waterways. The sediment delivery
ratio (SDR) is used to correct this reduction. Thus, to validate the results, from values of the average annual
soil loss of the sediment delivery in stations, equation 6.8 (Lu et al., 2003) and equation 6.9 were used
(Renfro, 1975).
SDR =Y
A Equation 6.8
SDR =1
a0,2 Equation 6.9
Where SDR is the sediment delivery ratio (%); Y is the sediment supply in the mouth of the basin (t/year); A
is the average loss of soil within the basin (t ha-1
/year); a is the contribution area.
The sediment input values in the mouth of each station are in Table 6.1. In this study, the value was
estimated for the year 2006 from the liquid flow x solid flow ratio in the time historical series from 1976 to
2015. The average soil loss calculated for the input area of each station was then compared with value
corresponding to that obtained by USLE for each sub-basin, assuming the value obtained as a function of the
input area.
6.3. RESULTS AND DISCUSSION
6.3.1 - Processing time optimization
After installing the script, the processing time is a few minutes per basin, 0.12 seconds per km2 in
computer with processor I7 and 8GB of RAM.
6.3.2 - Soil loss and geographical distribution of soil erosions
The three sub-basins show a similar pattern of soil use and occupation. Livestock activity occupies
the largest area always above 45%: (49.79% (RV), 52.28% (RE) and 49.45% (ER)), values similar to those
of still preserved areas: (43.39% (RV); 41.68% (RE) and 45.89% (ER). The latter situated on the banks of
waterways (riparian forests) and slopes (rocky grassland).
Entre Ribeiros: The highest erosion rates were found for Lithic Neosols and Haplic Cambisols (Figure
6.4a), which are associated with cliffs of the São Francisco plateau and Unai ridges, registering annual soil
loss values (A) greater than 12.7 t / ha year (Figure 6.4a).Due to the geomorphology and poor and shallow
soils, these areas are considered to be restricted to agriculture. Areas with lower erosion values in the ER
basin (Figure 6.4a) are located in geomorphology unit designated by São Francisco depression, where (A)
values range from 0.0t/ha.year to 12.6t/ha.year. Predominant soils are "red latosols" described as not
hydromorphic mineral soils, deep and porous, with thick B horizon, and in addition to these physical
characteristics (EMBRAPA, 1999), these are associated with a flat and gently wavy relief, where there are
Contribuições às Ciências da Terra, Série D, vol. 76, 105p.
73
large areas of irrigated agriculture, pastures and reforestation. The lowest erosion values are related to the
reduced slope along with the practice of good conservation techniques, despite the intense soil use. Rio
Escuro: Analyzing erosion maps (A) (Figure 6.4b) it was observed that the highest erosion rates are in Lithic
Neosols and Haplic Cambisols, with values above 17.2t/ha.year. Areas of flat and gently wavy relief show
the lowest A values, which range from 0.0t/ha.year to 17.1t/ha.year, dominated by red latosols and red
yellow latosols, which by their physical and chemical characteristics allow the development agricultural
activities. Rio Verde: In Rio Verde, the highest erosion rates (A) are found in Lithic Neosols and Yellow-
Red Ultisol (Figure 6.4c), where the relief is more uneven, and thus the LS factor is the responsible for the
high erosion rates (> 9.4t/ha.year). In the remaining area of the basin, values range from 0.0t/ha.year to
9.3t/ha.year. These low A values are associated to Red Ultisol, Yellow-Red Ultisol and Fluvic Neosol in
relatively flat reliefs. These areas are almost exclusively occupied by agricultural activities and pastures.
Analyzing the erosion results (A) in the three sub-basins, it was found that for being a region with intense
agricultural activity, soil loss in these areas remained within expected values, i.e., between 0.0t/ha.year and
9.3t/ha.year because, according to (Bertoni and Lombardi Neto, 1990), the soil loss tolerance in Brazil
ranges from 4.5 to 15.0t/ha.year with average of 10t/ha.year. The highest erosion rates were registered for
Lithic Neosols, and these values are related to cliffs. According to soil loss data, although these regions are
susceptible to erosion, the soil use and occupation map has shown that these are covered by natural
vegetation (forest and savanna), reducing the erosive process. However, if vegetation is removed, erosion
can occur.
Fujaco, M.A.G., 2017, O uso do Sensoriamento Remoto e Cartografia Digital na Gestão de Bacias Hidrográficas Agrícolas.
74
Figure 6.4: a - Spatial soil erosion distribution (A) of the Entre Ribeiros sub-basin; b – Rio Escuro sub- basin; c- Rio Verde sub basin.
Contribuições às Ciências da Terra, Série D, vol. 76, 105p.
75
6.3.3 - RESULTS VALIDATION
Observing data shown in Tables 6.2 and 6.3, it is clear that high erosion values (A), especially in the
Rio Escuro basin, are directly related to the LS factor and not the use of the basin. This trend becomes clear
when the results of the study sub-basins are observed, that is, the sub-basin with higher percentage of area
with LS values ≥2.1 (5.9% in Rio Verde, 15.03% in Entre Ribeiros and 22.86% in Rio Escuro), Rio Escuro
sub-basin presented the most discrepant values calculated for SDR. Several studies have shown that when
the LS factor is high (many sloping areas), this predominates over the other USLE parameters and hence
increases the A values (Zhang et al., 2011; Wenyi et al. 2013). When applied to areas with steep slopes, this
soil loss calculation model results in overvalued A values.
Table 6.2 - Sediment contribution (%) and soil loss average (A) in the stations and sub-basins.
Station/basin Area (Km2) SDR (%)
A (t.ha-1/ano)
Estimated by
USLE
Calculated from Y
Min. Max
Rio Verde 1317,48 0,287548 1653521
Rio Escuro 4375,22 0,22619 14845214
Entre Ribeiros 3962,52 0,23071 6486121
Santa Rosa 13066,49 0,18173
11115362 16067751
Porto Alegre 42170,19 0,143766 36169832 38117439
Table 6.3 - Estimated loss soil contribution (%) based on sub-basin areas
Area(%) Soil loss average (%)
Sub basin Santa Rosa Porto Alegre Santa Rosa Porto Alegre
Rio Verde
3,12
4,45
Rio Escuro 34,18 10,37 115,82 39,99
Entre Ribeiros 9,4 17,47
6. 4 - CONCLUSIONS
The results of this study showed that universal soil loss equation (USLE) was effective in estimating
the erosion in large watersheds when adapted to a Geographic Information System (GIS). The "USLE
Paracatu Watershed" script developed for these basins allowed the identification and characterization of soil
loss in a prompt, effective and robust manner. The processing time for the three sub-basins showed that
although areas are large, the average processing time was less than one second per km2. Thus, for future
management, this model could be used in a practical and effective way because now the user needs only to
enter updated data (DEM, Land Use/cover map and Rainfall map), and the software will automatically
process the algorithms previously described in the methodology, generating the product, in this case, the
Fujaco, M.A.G., 2017, O uso do Sensoriamento Remoto e Cartografia Digital na Gestão de Bacias Hidrográficas Agrícolas.
76
amount of erosion of the selected area. This tool (script) will contribute to efficiency as it will optimize time
and will offer greater flexibility in order to enable the implementation of processes with updated input
parameters from different years, or even different locations. According to results obtained by Gomez (2012),
the soil erosion modeling on large scales using the universal soil loss equation (USLE) showed good results
in the characterization of the Brazilian territory. The automated (GIS) modeling provides an overview of the
system, allowing easy access to information by the general public, and therefore the generation of
conservation policies in units under study.
77
CAPÍTULO 7
USO DE SENSORIAMENTO REMOTO E CARTOGRAFIA DIGITAL NA
GESTÃO DA QUALIDADE DE SOLOS E SEDIMENTOS FLUVIAIS EM
BACIAS HIDROGRÁFICAS AGRÍCOLAS
RESUMO
A contaminação por metais pesados é grave um problema ambiental em muitos países, resultado da rápida
industrialização e urbanização. Solos e sedimentos fluviais não são apenas componentes básicos de bacias
hidrográficas, mas também funcionam como reservatórios para esses elementos, que podem causar danos
não só aos ecossistemas, mas também à saúde humana. Neste estudo, foram coletadas e analisadas amostras
de sedimentos e solos em três sub-bacias de elevada atividade agropecuária na bacia hidrográfica do rio
Paracatu. Os dados geoquímicos foram espacializados e relacionados com os dados de uso e ocupação
obtidos a partir de imagens de satélite. Os resultados apesar de não mostrarem contaminações dos solos por
metais pesados apontaram um acúmulo de As, Cd, Cr, Cu, Pd e Zn em sedimentos cujos cursos de água estão
sob a influência de atividades agropecuárias e de silvicultura. O uso de técnicas de sensoriamento remoto
aliadas à cartografia digital se mostraram ferramentas poderosas para se extrair informações espacialmente
significativas para a gestão de grandes bacias hidrográficas agrícolas.
Palavras-chave: Geoquímica, metais pesados, solos, sedimentos, SIG, Paracatu.
ABSTRACT
Heavy metal contamination is a serious environmental problem in many countries as a result of rapid
industrialization and urbanization. Fluvial sediments and soils are not only basic components of river basins
but also serve as reservoirs for these elements, which can cause damage not only to ecosystems but also to
human health. In this study, sediment and soil samples were collected and analyzed in three sub-basins of
high agricultural and cattle-raising activity in the Paracatu river basin. The geochemical data were spatialized
and related to the use and occupation data obtained from satellite images. The results, although they did not
show contaminations of the soils by heavy metals, indicated an accumulation of As, Cd, Cr, Cu, Pd and Zn in
sediments whose water courses are influenced by agricultural activities and silviculture. The use of remote
sensing techniques combined with digital cartography have proved to be powerful tools for extracting
spatially significant information for the management of large river basins.
Fujaco, M.A.G., 2017, O uso do Sensoriamento Remoto e Cartografia Digital na Gestão de Bacias Hidrográficas Agrícolas.
78
Keywords: Geochemistry, heavy metals, soils, sediments, GIS, Paracatu
Fujaco, Maria Augusta Gonçalves. *4a
; Leite, Mariangela Garcia Praça Leiteb;
a,b Departamento de Geologia, Universidade Federal de Ouro Preto. Morro do Cruzeiro, 35400-000, Ouro
Preto, MG, Brazil.
Artigo submetido à revista de Geosciences – Geociências, Rio Claro, SP, Brasil - eISSN: 1980-900X.
a*
Federal University of Ouro Preto, Brazil. 4 Corresponding author: Tel 55 3135591891 Fax: 55 3135591600 - E-mail address: [email protected]
Contribuições às Ciências da Terra, Série D, vol. 76, 105p.
79
7.1- INTRODUÇÃO
A contaminação dos solos e sedimentos por metais pesados tornou-se um dos principais problemas
ambientais em regiões agrícolas. Estratégias inadequadas, incluindo a aplicação pesada de fertilizantes e
pesticidas, foram adotadas em áreas agrícolas para alcançar alta produção de culturas. Isto levou a uma série
de consequências, especialmente a acumulação destes elementos no sistema solo-vegetais (Liu et al., 2011;
Khan et al., 2008; Khan et al., 2015). A concentração de metais nos solos tem influência direta sobre a saúde
humana, através da produção de alimentos. Daí porque estudos sobre o teor destes elementos estão se
tornando um dos índices de avaliação mais importantes da qualidade do solo (Fu et al., 2000). Segundo
Walling (2006), o transporte de partículas derivadas da erosão de solos para os rios, córregos e demais cursos
d’água deve ser visto como a chave do entendimento de transferência de materiais dos sistemas terrestres
para os aquáticos. Syvitski et al. (2003) estimam que 95% dos sedimentos que entram nos oceanos provém
de bacias hidrográficas, refletindo, em última análise, o desnudamento dos continentes (Walling, 2006),
promovendo a ciclagem geoquímica (Meybeck, 1994; Ludwig et al., 1996) através da transferência de
partículas e íons dos sistemas terrestres para ecossistemas aquáticos (Morton, 2003; Macklin et al., 2003;
Caritat, 2004). De acordo com Kamenov (2009), a agricultura tem sido responsável pela liberação uma
grande quantidade de metais pesados, causando concentrações nos sedimentos destes elementos em níveis
bem acima do esperado. Sendo os sedimentos reconhecidos como um importante repositório destes
elementos, estes acabam por se tornar uma fonte não pontual potencial que pode afetar diretamente as águas
e os ecossistemas aquáticos (Savic et al., 2015). Sedimentos contaminados são considerados mundialmente
como os contaminantes que mais contribuem para a degradação dos ecossistemas aquáticos, e, portanto,
problema eminente a ser resolvido para a preservação dos recursos hídricos. O mapeamento da distribuição
de metais pesados de bacias hidrográficas agrícolas de grandes dimensões (com mais de 1000 km2) é
fundamental para uma melhor identificação das fontes de poluição e consequentemente uma melhor
compreensão destas (Chen et al., 2012). Neste contexto, uma ferramenta indispensável para a cartografia
geoquímica consiste na utilização de um Sistema de Informações Geográficas (SIG), que permite armazenar,
analisar, manipular e gerenciar dados geográficos, viabilizando a criação de diferentes mapas temáticos e
sobreposição de diferentes tipos de informações.
7.2 - OBJETIVO
Neste trabalho foram estudados solos e sedimentos fluviais de três grandes sub-bacias agrícolas da
bacia hidrográfica do rio Paracatu, visando compreender a contaminações desses materiais por metais
pesados provenientes da atividade agrícola e a transferência destes elementos para os sistemas hídricos
associados.
Fujaco, M.A.G., 2017, O uso do Sensoriamento Remoto e Cartografia Digital na Gestão de Bacias Hidrográficas Agrícolas.
80
7.3 - MATERIAIS E MÉTODOS
7.3.1 - Área de estudo
As três sub-bacias estudadas (Figura 7.1), inseridas no grande bioma Cerrado, fazem parte da bacia
hidrográfica do rio Paracatu são elas: A – sub bacia do rio Escuro (RE); B - sub bacia de Entre Ribeiros (ET)
e C - sub bacia do rio Verde (RV).
Figura 7.1 - Mapa da bacia hidrográfica do rio Paracatu, com destaque para as três sub-bacias estudadas.
No que diz respeito à geologia da bacia do rio Paracatu, esta é representada pela Formação Paracatu
(filitos carbonosos ou não e quartzitos); Formação Vazante (fosforitos, quartzito, pelitos, dolomitos,
conglomerados); Grupo Canastra (quartzitos, filitos e xistos); Grupo Bambuí- Formação Três Marias
(arcósios e pelitos); Grupo Santa Fé (diamictitos e arenitos); Coberturas detrítico lateríticas (depósitos
coluvionares e aluvionares). No caso das bacias estudadas, todas as rochas são sedimentares, predominando
os arenitos. As classes de solos presentes na bacia do rio Paracatu são: latossolos, cambissolos, neossolos,
quartzarênicos, hidromórficos e neossolos flúvicos (CETEC, 1981). Os óxidos e ferro presentes nos
latossolos contribuem para a agregação das partículas de silte e argila, permitindo que estes se comportem
como solos arejados e friáveis. Este tipo de solo ocupa grandes áreas nas três sub-bacias estudadas,
predominantemente nos planaltos, depressões e superfícies tabulares, regiões estas ocupadas por diversas
atividades agrícolas. Os cambissolos são caracterizados por possuírem uma boa drenagem superficial, sendo
pouco espessos, ou seja, quando sujeitos a eventos de fortes chuvas, são solos susceptíveis a processos
Contribuições às Ciências da Terra, Série D, vol. 76, 105p.
81
erosivos. Estes solos estão predominantemente a norte da bacia do rio Paracatu, nas Cristas de Unai. Os
neossolos litólicos estão restritos às áreas dissecadas do relevo, com relevo ondulado e montanhoso. Os solos
hidromorficos são solos permanentemente ou sazonalmente encharcados, ocorrendo em áreas de relevo mais
plano e rebaixado da bacia próximos aos rios, lagoas e veredas. As três sub-bacias são caracterizadas por
extensas áreas de silvicultura, pastagem e agricultura mecanizada com grandes sistemas de irrigação de
aspersão por pivô central e por longos canais de irrigação, sobre uma grande influência de insumos agrícolas
(corretivos, adubos, pesticidas, herbicidas).
7.3.2 - Classificação supervisionada do Uso e ocupação do solo
Para quantificar as áreas de uso e ocupação do solo das três sub-bacias, foi feito o mapa de uso e
ocupação do solo, usando o algoritmo Maximum Likelihood (MAXVER). Um método estatístico que
considera ponderação de distâncias entre médias dos níveis digitais das classes. A classificação foi realizada
nas imagens ASTER devido à sua alta resolução na zona do visível (15 metros), no ano de 2006. Esta
classificação teve como resultado final seis classes de uso e ocupação, que são: 1- Sombras; 2- Pivôs, 3-
Eucaliptos; 4 – Vegetação natural; 5- Pastagens; Água/áreas úmidas.
7.3.3 Coleta das amostras de solo e sedimento na área de estudo
Os pontos de amostragem do solo foram selecionados de modo a abranger todas as litologias de cada
sub-bacia, totalizando foram coletadas 38 amostras deformadas de solos: 13 em RE, 18 em ET e 7 em RV
(Figura 7.2). Foram coletados os 20cm superficiais, com auxílio de um trado mecânico. Já as amostras de
sedimentos foram coletadas no centro dos canais, nos principais rios e córregos. Foram obtidas 64 amostras
de sedimentos, com cerca de 500g cada, sendo: 40 em RE, 13 em ET e 11 em RV (Figura 7.2).
Fujaco, M.A.G., 2017, O uso do Sensoriamento Remoto e Cartografia Digital na Gestão de Bacias Hidrográficas Agrícolas.
82
Figura 7.2 - Mapa de distribuição de solos e pontos de amostragem de sedimentos e solos nas três sub- bacias, sobre o mapa de solos: A – Sub-bacia do Rio
escuro; B – Sub-bacia de Entre Ribeiros; C – Sub-bacia do Rio Verde.
Contribuições às Ciências da Terra, Série D, vol. 76, 105p.
83
7.3.4 - Análise Geoquímica dos sedimentos e solos
As amostras de sedimentos e solos foram secas em uma capela a 40oC. Após secas, foram
desagregadas e homogeneizadas. Posteriormente estas foram peneiradas, numa malha de 230#, para obtenção
da fração fina. Para a digestão das amostras de sedimento e solo (< 0,063mm) foi utilizado o método da
Digestão Total, em que, pesou-se cerca de 0,250 g de cada amostra, utilizando uma balança analítica, no
interior de frascos Savillex. Em seguida foram adicionados 1 mL de ácido nítrico 10 mol/L seguido de 3 mL
de ácido clorídrico 10 mol/L. Os frascos abertos com a mistura foram colocados na placa aquecedora a cerca
de 110°C até a secura. Foram adicionados 2 mL de ácido fluorídrico concentrado, deixando os frascos
abertos na placa aquecedora (±110°C) até a secura. Em seguida, foram adicionados novamente 2 mL de
ácido fluorídrico concentrado, porém, fechando os frascos e deixando-os na placa aquecedora (±110°C) por
cerca de 30 horas. Os frascos foram retirados da placa e após resfriamento estes foram abertos e levados a
placa aquecedora (±110°C) até a secura. Foram adicionados 2 mL de ácido nítrico 10 mol/L e os frascos
aberto foram levados à secura na placa aquecedora (110°C). Novamente, adicionou-se 2 mL de ácido nítrico
10 mol/L e os frascos abertos foram levados à secura na placa aquecedora (±110°C). Foram adicionados 2
mL de ácido clorídrico 10 mol/L e os frascos abertos foram colocados na placa aquecedora à cerca de 110°C
até a secura. Os frascos foram retirados da placa e foram adicionados mais 25 mL de ácido clorídrico 2
mol/L. Os frascos foram fechados e após agitação foram colocado novamente na placa aquecedora (±110°C)
por 2 horas. Após o resfriamento, os frascos, ainda fechados, foram pesados em balança analítica. O
conteúdo foi homogeneizado e transferido para frascos de 30mL, etiquetados e encaminhados para análise.
Foi realizada a análise dos teores de Al, As, Ba, Be, Bi, Ca, Cd, Co, Cr, Cu, Fe, K, Mg, Mn, Mo, Na, Ni, P,
Pb, Sb, Sr, Th, Ti, V, Y, Zn e Zr via Espectrofotômetro de Emissão Atômica com Fonte de Plasma
Indutivamente Acoplado (ICP-OES), marca SPECTRO / modelo Ciros CCD em operação no
LGqA/DEGEO/UFOP
7.3.5 - Análises estatísticas e espaciais
Foram determinados os parâmetros estatísticos básicos usando-se o software Minitab®16. Os
resultados geoquímicos foram então comparados entre si e com as Resoluções Ambientais atualmente
vigentes no país: resolução CONAMA 420/2009 para os solos e resolução CONAMA 454/12 para os
sedimentos (foram considerados os valores acima do NIVEL 1 e do NÍVEL 2). Para estas análises
comparativas foram utilizadas as concentrações obtidas para os elementos: Arsénio, Cadmio, Cálcio,
Chumbo, Cobre, Cromo, Enxofre, Fósforo, Magnésio, Níquel e Zinco. Para a análise espacial dos dados e
confecção dos mapas geoquímicos foi utilizado software ArcGis Desktop 10.3®, aplicando-se a ferramenta
“quantities>graduated symbols”, que permite através de uma simbologia apropriada representar espacial a
concentração dos vários elementos químicos.
Fujaco, M.A.G., 2017, O uso do Sensoriamento Remoto e Cartografia Digital na Gestão de Bacias Hidrográficas Agrícolas.
84
7.4 - RESULTADOS E DISCUSSÃO
Na tabela 7.1 estão os dados quantificados das classes do uso e ocupação das três sub-bacias, obtidos
através da classificação supervisionada.
Tabela 7.1 - Áreas e percentagens das classes de uso e ocupação nas três sub- bacias estudadas.
Classes Área (km2) Área (%) Área (km
2) Área (%) Área (km
2) Área (%)
Entre Ribeiros Rio Escuro Rio Verde
Sombras 2,89 0,09 25,33 0,59 5,17 0,39
Pivôs 57,62 1,79 19,38 0,45 0,66 0,05
Eucaliptos 0,0 0,0 176,77 4,13 70,72 5,37
Vegetação natural 1473,99 45,89 1786,05 41,68 571,71 43,39
Pastagens 1588,16 49,45 2240,25 52,28 655,91 49,79
Água/áreas úmidas 89,24 2,78 37,45 0,87 13,3 1,01
Total 3211,9 100 4285,23 100 1317,47 100
7.4.1 - Solos
Nos solos das três sub- bacias, todos os metais pesados se encontram em concentrações dentro do
intervalo definido pela resolução CONAMA 420/2009 (Tabela 7.2). Vale destaque, porém, para os valores
obtidos para Ca, Mg, K, P e S (não definidos na resolução), elementos principais dos corretivos e adubos
para solos utilizados nas atividades agropecuárias. Em alguns dos solos analisados, estes valores tiveram
concentrações até 20 vezes superiores ao mínimo encontrado (Tabela 7.2). Os solos naturais das áreas de
estudo são em sua maioria latossolos, ácidos e distróficos, apresentando baixa concentração de nutrientes (N,
P, K, Ca, Mg), além de alta saturação de Al, daí necessidade de aplicação desses corretivos e fertilizantes em
grandes quantidades. Os maiores valores dos conjuntos Ca+Mg (Figuras 7.3, 7.4 e 7.5), associados aos
corretivos, estão localizados nas áreas de silvicultura e agricultura, com destaque para áreas com os grandes
pivôs de irrigação na sub-bacia ET e as áreas com cultivos de eucaliptos nas demais sub-bacias. No caso dos
maiores valores do conjunto P+K (Figuras 7.3, 7.4 e 7.5), associados aos fertilizantes, estes ocorrem em
áreas de pastagem nas três sub-bacias, junto aos grandes pivôs de irrigação na sub-bacia ET e na área com
cultivos de eucaliptos na sub-bacia RE.
Contribuições às Ciências da Terra, Série D, vol. 76, 105p.
85
Tabela 7.2 - Resultados da geoquímica dos solos das sub bacias de : Rio Verde, Entre Ribeiros e Rio Escuro.
CONAMA SOLOS
420/2009 Rio Verde Entre Ribeiros Rio Escuro
(mg/Kg) Min Max Med Min Max Med Min Max Med
Ca -- 64,8 1339,0 459,3 0,9 202,8 69,5 23,3 4313,0 1117,4
Mg -- 51,5 2339,0 590,2 3,6 1101,0 494,4 78,1 1549,0 555,8
Ni 30 0,9 27,1 9,6 0,6 20,7 10,6 0,6 25,2 10,7
P -- 59,5 379,6 164,1 3,4 1108,0 453,6 119,0 736,0 428,9
S -- 29,8 411,9 127,2 73,0 300,2 157,7 2,1 376,8 157,2
K -- 109,4 1403,0 485,1 129,4 2779,0 1005,1 7,0 1937,0 903,9
Pb 72 7,7 53,9 22,1 1,0 54,0 17,8 1,0 34,9 14,6
Zn 300 11,9 88,0 35,8 0,9 300,2 117,5 0,6 159,6 57,4
As 15 1,6 5,9 2,0 1,6 7,0 2,1 1,7 6,0 2,0
Cd 1,3 0,4 0,7 0,4 0,4 0,7 0,4 0,4 1,2 0,6
Cu 60 5,3 27,9 13,5 0,3 33,2 22,2 0,3 43,6 27,2
Cr 75 23,3 97,5 42,9 0,2 161,5 56,3 0,2 107,4 48,8
- não foi medido
-- não tem valor estipulado no CONAMA
Fujaco, M.A.G., 2017, O uso do Sensoriamento Remoto e Cartografia Digital na Gestão de Bacias Hidrográficas Agrícolas.
86
Figura 7.3 - Mapa de uso e ocupação com a distrubuição da concentração (Ca+Mg) da sub bacia de Entre Ribeiros.
Contribuições às Ciências da Terra, Série D, vol. 76, 105p.
87
Figura 7.4 - Mapa de uso e ocupação com a distrubuição da concentração (Ca+Mg) da sub bacia de Rio escuro.
Fujaco, M.A.G., 2017, O uso do Sensoriamento Remoto e Cartografia Digital na Gestão de Bacias Hidrográficas Agrícolas.
88
Figura 7.5 - Mapa de uso e ocupação com a distrubuição da concentração (Ca+Mg) da sub bacia de Rio Verde.
Contribuições às Ciências da Terra, Série D, vol. 76, 105p.
89
7.4.2 - Sedimentos
Nos sedimentos, merecem destaque as concentrações de alguns metais pesados, As, Cd, Cr, Ni, Pb e
Zn, que apresentaram valores superiores aos definidos pela resolução CONAMA 454/2012 (Tabela 7.3).
Tabela 7.3 - Resultados da geoquímica dos sedimentos das sub-bacias de: Rio Verde, Entre Ribeiros e Rio
Escuro.
CONAMA SEDIMENTOS
454/2012 Rio Verde Entre Ribeiros Rio Escuro
(mg/Kg) Min Max Med Min Max Med Min Max Med
Ca -- 336,0 10641,0 2193,3 153,0 2441,0 928,1 150,5 2577,0 905,3
Mg -- 458,2 8142,0 2905,9 1119,0 6143,0 3255,1 1120,0 6640,0 2943,8
Ni 18 21,5 6,6 37,6 14,0 38,0 22,0 10,2 34,1 19,5
P - 283,9 403,5 97,1 184,2 641,0 376,8 171,9 567,0 338,6
S ¯ ¯ ¯ 90,2 254,8 134,2 22,4 326,2 83,8
K 22,6 18892,0 8892,5 9314,0 36514,0 16269,0 9599,0 21045,0 14320,6
Pb 35 6,0 19,2 10,8 6,0 25,0 9,0 6,0 170,4 20,6
Zn 123 20,5 86,8 49,4 36,0 94,4 65,0 36,0 136,0 65,0
As 5,9 4,8 4,8 4,8 4,8 14,1 5,6 4,8 198,6 18,3
Cd 0,6 0,6 1,3 1,3 --- --- --- --- --- ---
Cu 35,7 2,6 33,1 15,7 15,2 46,5 25,8 9,9 159,8 33,3
Cr 37,3 33,0 101,6 58,1 49,6 103,6 72,7 44,4 100,9 65,7
- não foi medido
-- não tem valor estipulado no CONAMA
--- inferior ao LQ (limite de quantificação)
O As foi detectado acima do NIVEL 1 definido na resolução e, três pontos da sub-bacia ER e acima
do NÍVEL 2 em três pontos da sub-bacia RE . Apesar da proibição do uso de compostos inorgânicos com As
serem atualmente proibidos no Brasil, alguns compostos orgânicos como o ácido cacodílico, metilarsenato
disódico e metilarsenato monosódicon ainda são usados como pesticidas, além do arsênio ocorrer em
concentrações elevadas em alguns fertilizantes nitrogenados (Farooq et al., 2010, Perera et al., 2016).O Cd
foi detectado acima do NIVEL 1 em um único ponto da sub-bacia RV, localizado em curso de água próximo
à área de pastagem. O cádmio é um dos elementos presentes em fertilizantes fosfatados (Savic et al., 2015;
Perera et al., 2016). O Cr só foi não detectado acima do NIVEL 1 definido na resolução em um único ponto
da sub-bacia RV, nos demais pontos ou foi detectado acima do limite do NÍVEL 1 ou acima do nível 2
(Figuras 7.6, 7.7 e 7.8). Cabe destaque aos elevados valores encontrados próximos às áreas de silvicultura
nas bacias RV e RE (Figuras 7.6 e 7.8). O Cr está presente na composição da maioria dos fosfatos usada
como fertilizante (Hu et al., 2006).
Fujaco, M.A.G., 2017, O uso do Sensoriamento Remoto e Cartografia Digital na Gestão de Bacias Hidrográficas Agrícolas.
90
Figura 7.6 - Mapas de uso e ocupação da sub bacia do Rv, mostrando a distribuição da concentração dos metais, Cr, Cu Ni.
Contribuições às Ciências da Terra, Série D, vol. 76, 105p.
91
Figura 7.7 - Mapas de uso e ocupação da sub bacia do ET, mostrando a distribuição da concentração dos metais, Cr, Cu Ni.
Fujaco, M.A.G., 2017, O uso do Sensoriamento Remoto e Cartografia Digital na Gestão de Bacias Hidrográficas Agrícolas.
92
Figura 7.8 - Mapas de uso e ocupação da sub bacia do RE, mostrando a distribuição da concentração dos metais, Cr, Cu Ni.
Contribuições às Ciências da Terra, Série D, vol. 76, 105p.
93
O Cu foi encontrado com concentrações acima do NÍVEL 1 nas bacias ET (10% dos pontos) e RE
(25% dos pontos). No caso da bacia RE (Figura 6.8), estes pontos estão localizados à jusante de grandes
áreas agrícolas com pivôs de irrigação. Está presente na composição da maioria dos fertilizantes e em
fungicidas (Wang et al., 2004; Hu et al., 2006; Yang et al., 2009). O Ni foi não detectado acima do NIVEL 1
definido na resolução em metade ou mais dos pontos analisados nas três sub-bacias, em apenas um ponto da
sub-bacia RV o níquel foi detectado acima do limite do NÍVEL 2 (Figura 6.6), próximo à uma área de
silvicultura. O níquel é um micronutriente essencial, que pode melhorar a produtividade e diminuir a
ocorrência de doenças. Está presente na composição da maioria dos fertilizantes usados no cultivo de
eucaliptos (Vuori et al., 2003). O Pb foi detectado acima do NIVEL 2 em um único ponto da sub-bacia RE,
localizado também em curso de água próximo à área de pastagem. Fertilizantes nitrogenados podem conter
quantidades elevadas de alguns metais pesados como o chumbo (Hu et al., 2006; Yang et al., 2009). O Zn foi
detectado acima do NIVEL 1 em um único ponto da sub-bacia RE, localizado em curso de água próximo à
área de pastagem. Indispensável ao bom desenvolvimento das plantas, o zinco é um elemento presentes em
praticamente todos os fertilizantes (Savic et al., 2015).
7.5 - CONCLUSÕES
Na região do cerrado brasileiro, o rápido crescimento das áreas de agricultura e a introdução da
monocultura altamente dependente de insumos e de tecnologias agrícolas alavancou o uso de corretivos,
pesticidas e fertilizantes. Ricos em metais pesados, estes produtos químicos alteram a qualidade de solos e
sedimentos. O uso de técnicas de sensoriamento remoto acopladas à cartografia digital de dados geoquímicos
de solos e sedimentos, utilizadas neste trabalho, permitiram a espacialização dos dados e sua correlação com
o uso e ocupação das três sub-bacias estudadas. Com base nos dados obtidos, foi possível detectar a
contaminação de sedimentos fluviais por metais pesados (As, Cd, Cr, Ni, Pb e Zn), relacionados ao uso de
corretivos, pesticidas e fertilizantes em pastagens, áreas agrícolas e de silvicultura. Os resultados obtidos
mostraram que a confecção de mapas temáticos com dados geoquímicos é uma potente ferramenta para a
gestão de bacias hidrográficas agrícolas, de fácil obtenção e fácil entendimento tanto para os agentes
públicos como para os empresários e a população em geral.
Fujaco, M.A.G., 2017, O uso do Sensoriamento Remoto e Cartografia Digital na Gestão de Bacias Hidrográficas Agrícolas.
94
95
CAPÍTULO 8
CONCLUSÕES
8.1- CONCLUSÕES
Os resultados obtidos nas três sub-bacias hidrogrpaficas demonstraram que o uso conjunto das
técnicas de sensoriamento remoto e cartografia digital podem auxiliar em muito a gestão destas unidades,
principalmente na realidade brasileira, ou seja, grandes unidades para gerenciar com escassez de dados
meteorológicos e geoquímicos. Os resultados permitiram chegar às seguintes conclusões:
1) O uso do produto MODIS 16 na estimativa da evapotranspiração (ET) mostrou-se promissor nas
sub-bacias estudadas. A análise dos dados ao longo de uma série de treze anos (2001 a 2014)
permitiu mapear as áreas ao longo da bacia que apresentavam maiores valores de ET, ou seja, onde
existe uma maior disponibilidade de água (pivôs), maior disponibilidade de água associada a
menores temperaturas (áreas de vegetação natural) e as áreas com silvicultura. Os gráficos de
boxplot criados a partir de pontos de amostragem das imagens MODIS ao longo das matas ciliares
mostraram pequenas oscilações ao longo dos anos, mas a ET tem clara tendência de aumento no
período estudado. Este método quando usado com dados de campo e outros métodos mais clássicos
(Thorthwait) podem contribuir para um melhor entendimento da dinâmica do sistema hídrico da
bacia, pois os mapas anuais permitem uma avaliação espaço-temporal de grandes bacias
hidrográficas, o que é tecnicamente impossível usando métodos convencionais.
2) A coleta de amostras de água ao longo dos rios das três sub-bacias, as quais se encontram sobre uma
grande atividade agropecuária e silvicultura, permitiu classificar as águas de acordo com a resolução
CONAMA 357/05, nas respectivas classes de uso. Os metais que apareceram com valores acima do
permitido por lei na água, foram: Al, Fe, Cu, Mn e Zn. A única fonte de contaminação que justifica a
presença destes elementos são os produtos usados nas atividades agrícolas, as quais são conhecidas
por constituírem as fontes difusas de poluição, sendo este um dos problemas comuns aos programas
de monitoramento da qualidade de água. Ou seja, sendo uma fonte difusa, normalmente nos
deparamos com os programas dos diferentes órgãos governamentais responsáveis pelo
monitoramento dos cursos de água, com uma metodologia inadequada, ou seja: a – coleta de
parâmetros errados; b- a escolha dos pontos de amostragem não representa a realidade hidrológica da
bacia; c – e a frequência de uma amostragem que não traduz a dinâmica da bacia. Esta realidade
evidência a extrema necessidade de se estabelecerem pontos de monitoramento mais adequados nas
sub-bacias, incluindo os pequenos canais de drenagem, para que assim se possam perceber as
diferentes particularidades encontradas na área e, como tal, auxiliar na sustentabilidade e gestão dos
recursos hídricos para as gerações futuras.
Fujaco, M.A.G., 2017, O uso do Sensoriamento Remoto e Cartografia Digital na Gestão de Bacias Hidrográficas Agrícolas.
96
3) O desenvolvimento do script “USLE Paracatu Watershed” usando uma interface de SIG (software
ArcGis®) permitiu a identificação e caracterização da perda do solo de um modo rápido, eficaz e
robusto. Para uma gestão futura este modelo poderá ser usado de um modo prático e eficaz, pois o
usuário só precisa colocar os inputs de dados atualizados, que o software processará
automaticamente os algoritmos, gerando como produto final o valor da erosão da área selecionada. O
uso automatizado (geoprocessamento) na modelagem permite uma visão geral do sistema levando,
um acesso fácil às informações por parte do público em geral, e consequentemente a geração de
politicas conservacionistas da unidade em estudo.
4) Para além das amostras de água, também foram coletadas amostras de solos e sedimentos das três
sub-bacias. Os resultados demonstraram que os solos não apresentaram valores de metais pesados
acima do permitido pela resolução CONAMA 420/2009. No entanto, os dados evidenciaram um
acúmulo de As, Cd, Cr, Cu, Pb nos sedimentos cujos os cursos de água estão sob a influência de
atividades agropecuárias e silvicultura. A espacialização da concentração dos metais pesados ao
longo das três sub-bacias através de mapas temáticos permitiu que se tivesse uma melhor
compreensão dos fenômenos que ocorrem nas bacias hidrográficas e assim correlacionar esses
valores com o uso e ocupação do solo e inferir as possíveis fontes desses metais pesados.
A espacialização dos dados obtidos em campo possibilita uma melhor compreensão dos fenômenos
que ocorrem nas bacias hidrográficas, aumentando assim a capacidade de monitorar e gerenciar todos os
recursos por parte das agências responsáveis. Para além de poderem espacializar os dados, outras técnicas
permitem criar scripts, através dos quais são criadas rotinas automáticas, que têm como produto final um
mapa. Estes mapas irão ser quantitativos, demonstrando valores reais evapotranspiração, da perda do solo,
valores das concentrações dos diferentes elementos analisados, na água, solo e sedimento. Ou seja, o
sensoriamento remoto aliado à cartografia digital permite que sejam identificadas antecipadamente os fatores
de riscos e as áreas críticas, possibilitando assim aos agentes públicos uma melhor avaliação, reduzindo os
prazos pra resolver os problemas e minimizando os custos.
97
REFERÊNCIAS
Almeida F.F.M. 1977. Evolução Tectônica do Centro Oeste Brasileiro no Proterozóico. In: Anais da
Academia Brasileira de Ciências. Rio de Janeiro. 285-295.
Atlas Digital das Águas de Minas. http://www.atlasdasaguas.ufv.br/home.html. Acesso em 20 de abril de
2012.
Bertoni J. & Neto, L. 1990. Conservação do Solo. São Paulo. Icone. 335 p.
Beskow S., Mello C. R., Norton L. D., Curin., Viola M, R., Avanzi J. C.2009, Soil erosion prediction in the
Grande River Basin, Brazil using distributed modeling. Catena, 79 (1): 49-59.
Biggs T. W., Marshall M., Messina A. 2016. Mapping daily and seasonal evapotranspiration from irrigated
crops using global climate grids and satellite imagery: Automation and methods comparison. Water
Resources Research, 52 (9): 7311–7326.
Biswas A. K. 2000. Editorial comments on the world commission on water for the 21st century. Water
International 25 (2): 280–283.
Borges A. C., Dias J.C., Machado W., Patchineelam S. R. 2007. Spatial distribution of iron, copper and lead
in mangrove sediments in a gradient of degradation on Guanabara bay (Rio de Janeiro State)”. Quimica
Nova, 30 (1): 66-69.
Camargo, A.P. & Camargo M.B.P 2000. Uma Revisão Analítica da Evapotranspiração Potencial. Bragantia,
59 (2): 125–137.
Campos A. E. L., Nunes G. S., Oliveira J. C. S., Toscano L., Salata A., 2009. Contamination assessment of
Sabino affluent (Tibiri River) by heavy metals, generated by waste and effluents from the landfill of the
river, in São Luís, Maranhão. Quimica Nova, 32 (4): 1-5.
Caritat P., Jaireth S., Lech M., Pyke J. 2004. Regional geochemical surveys: Riverina Pilot Project—
methodology and preliminary results. Cooperative Research Centre for Landscape Environments and
Mineral Exploration Open File Report 160, 156 p.
Carr R., Zhang C., Moles N., Harder M. 2008. Identification and mapping of heavy metal pollution in soils
of a sports ground in Galway City, Ireland, using a portable XRF analyser and GIS. Environmental
Geochemistry and Health, 30(1): 45–52.
Carvalho M. P., Lombardi N., Filho V. J., Cataneo A. 1991. Corrrelação entre o índice de erosividade EI30
médio mensal e o coeficiente de chuva do município de Mococa – SP. Científica,19:1-7
CETEC – FUNDAÇÃO CENTRO TECNOLÓGICO DE MINAS GERAIS. 1981. II Plano de
Desenvolvimento Integrado do Noroeste Mineiro: Recursos Naturais. Belo Horizonte: Fundação
Centro Tecnológico de Minas Gerais.
Chaim A., Castro V. L.S. S., Galvão J. A. H. 2001. Method to monitor contamination of pesticide applicators
in the Culture of Tomato. Pesticidas. Revista Ecotoxicologia e Meio Ambiente, Curitiba, 11: 149-158.
Chen J., Wang F., Xia X., Zhang L., 2002. Major element chemistry of the Changjiang (Yangtze River).
Chemical Geolology. 187: 231– 255
Chen Y.; Liu Y.; Liu Y.; Lin A., Kong X., Liud., LI X., Zhang Y., Gao Y., Wang. D. 2012. Mapping of Cu
and Pb contaminations in soil using combined geochemistry, topography, and remote sensing: A case
study in the le’an river floodplain, China. International Journal of Environmental Research and Public
Health, 9 (5): 1874–1886.
Fujaco, M.A.G., 2017, O uso do Sensoriamento Remoto e Cartografia Digital na Gestão de Bacias Hidrográficas Agrícolas.
98
Chetelat B., Liu C.Q., Zhao Z.Q., Wang Q.L., Li S.L., Li J., Wang B.L. 2008. Geochemistry of the dissolved
load of the Changjiang Basin rivers: Anthropogenic impacts and chemical weathering. Geochimica et
Cosmochimica Acta. 72 : 4254–4277.
CONAMA, Conselho Nacional do Meio Ambiente. http://www.mma.gov.br/port/conama/ Resolução nº 357,
de 17 de Março de 2005.
CONAMA, Conselho Nacional do Meio Ambiente. Resolução n0 420/2009. Disponível em:
http://www.mma.gov.br/port/conama/. Acessado em: 06 março de 2017.
CONAMA, Conselho Nacional do Meio Ambiente. Resolução n0 454/12. Disponível em:
http://www.mma.gov.br/port/conama/. Acessado em: 11 março de 2017.
Crosta A.P. 2002. Processamento digital de imagens de sensoriamento remoto. Instituto de Geociências.
UNICAMP. Campinas.170p.
Dabral P. P., Baithuri N., Pandey A. 2008. Soil erosion assessment in a hilly catchment of North Eastern
India using USLE, GIS and remote sensing. Water Resources Management, 22 (12): 1783–1798.
Davies-Colley R.J. & Smith D.G. 2001.Turbidity, suspended sediment, and water clarity—A review. Journal
of the American Water Resources Association. 37 (5), 1085–1101.
Dennison P. E., Nagler P. L., Hultine K. R., Glenn E. P., Ehleringer J. R. 2009. Remote Sensing of
Environment Remote monitoring of tamarisk defoliation and evapotranspiration following saltcedar
leaf beetle attack. Remote Sensing of Environment, 113 (7): 1462–1472.
Desmet P. J. J., Govers G. 1996. A Gis procedure for automatically calculating the USLE LS factor on
topographically complex landscape units. Journal soil and Water Conservation, 51(5):427-433.
Devatha C. P., Deshpande V., Renukaprasad M. S. 2015. Estimation of Soil loss Using USLE Model for
Kulhan Watershed, Chattisgarh- A Case Study. Aquatic Procedia, 4: 1429–1436.
Dias R., 2001. Tietê: A river begins to revive. Revista Brasileira de Saneamento e Meio Ambiente. 18: 44–
48.
Djaman K., Tabari H., Balde A. B., Diop L., Futakuchi K., Irmak S. 2016. Analyses, calibration and
validation of evapotranspiration models to predict grass-reference evapotranspiration in the Senegal
river delta. Journal of Hydrology: Regional Studies, 8: 82–94.
Doughty C. E. & Goulden M. L. 2008. Are tropical forests near a high temperature threshold? Journal of
Geophysical Research-Biogeosciences, 113: 1-12.
EMBRAPA 1999- Empresa Brasileira de Pesquisa Pecuária. Sistema Brasileiro de Classificação de Solos.
Brasília: Serviço de Produção da Informação – SPI, 412p.
Erdogan E. H., Erpul G., Bayramin I. 2007. Use of USLE/GIS Methodology for Predicting Soil Loss in a
Semiarid Agricultural Watershed. Environemental Monitoring Assessment, 13 (1-3): 153–161.
ESRI, 2015. ArcGIS for Desktop, version 10.2.1: Gis Software. Redlands, CA, Environmental Sytems
Research Institute.
FAO. 1991. Elements for strategies and agenda for action. FAO/Netherlands Conference on
Agriculture and the Environment. s-Hertogenbosch, The Netherlands. FAO, Rome.
Faria R. A., Carvalho D. F., Ribeiro A., Oliveira M. A. A. 2000. Influência do método de estimativa da
evapotranspiração de referência na demanda de irrigação suplementar para o milho (Zea mays L.), na
bacia do Rio Verde Grande (MG). Ciências Agrotecnológicas, 24:187-196.
Contribuições às Ciências da Terra, Série D, vol. 76, 105p.
99
Farooq S.H., Chandrasekharam D., Berner Z., Norra S., Stüben D. 2010. Influence of traditional agricultural
practices on mobilization of arsenic from sediments to groundwater in Bengal delta. Water Research,
44 (19): 5575-5588.
Fisher D. S., Steiner J. L., Endale D. M., Stuedemann J. A., Schomberg H. H., Luebbers A. J. F. Wilkinson
S. R. 1999. The relationship of land use practices to surface water quality in the Upper Oconee
Watershed of Georgia. Forest Ecology an Management 128 (1): 39–48.
Fistikoglu O., Harmancioglu N. B. 2002. Integration of GIS and USLE in assessment of soil erosion. Water
Resources Management, 16 (6): 447–467.
Foster G.R., McCool D.K., Renard K.G., Moldenhauer W.C.1981. Conversion of the universal soil loss
equation to SI metric units. Journal of Soil and Water Conservation, 36 (6):355-359.
Foucher A., Blanes S. S., Evrard O., Simonneau E.C., Chapron E., Courp T., Cerdan O., Lefevre I.,
Adriaensen H., Lecompte F., Desmet M. 2014. Increase in soil erosion after agricultural
intensification : Evidence from a lowland basin in France. Anthropocene, 7: 30–41.
Fu B.J., Chen L.D., Ma K.M., Zhou H.F., Wang J. 2000. The Relationship between land use and soil
conditions in the hilly area of Loess Plateau in northern Shaanxi, China. Catena, 39: 69-78.
Fuck R.A., Pimentel M. M., Silva L.J.H.D.A 1994. Faixa Brasília e a Compartimentação Tectônica na
Província Tocantins. In: SIMPÓSIO DE GEOLOGIA DO CENTRO OESTE, 4. Brasília. Anais..
Brasília, SBG. p. 184-187.
Fujaco M.A.G., Leite M.G.P., Neves A.H.C. 2016. A gis-based tool for estimating soil loss in agricultural
river basins. Rem: Revista Escola de Minas, Ouro Preto, 69 (4), 417–424.
Ganasri B. P., & Ramesh H. 2015. Assessment of soil erosion by RUSLE model using remote sensing and
GIS - A case study of Nethravathi Basin. Geoscience Frontiers, 7 (6): 1–9.
Gómez J. D. P. 2012. Estimativa de erosão pela Equação Universal de Perda de Solo (USLE) e
transferência de sedimentos para todo território Brasileiro Piracicaba,. Universidade de São Paulo.
Escola Superior Agrícola de Agricultura “Luiz de Queiroz”. 90 p. (Dissertação de Mestrado).
Greenberg A. E., Clesceri L. S., Eaton A. D. 1992. Standard methods for the examination of water and
wastewater. 18ed. Ed. American Public Health Association.
Guo L., Di L., LiG., Luo Q., Gao M. 2015 GIS-based detection of land use transformation in the Loess
Plateau: A case study in Baota District, Shaanxi Province, China. Journal of Geographical Sciences, 25
(12): 1467–1478
Hu G., Jia L., Menenti M. 2015. Comparison of MOD16 and LSA-SAF MSG evapotranspiration products
over Europe for 2011. Remote Sensing of Environment, 156: 510–526.
Hu N., Li Z., Huang P., Tao C. 2006. Distribution and mobility of metals in agricultural soils near a copper
smelter in South China. Environmental Geochemistry and Health, 28 (1):19-26.
IBGE - Instituto Brasileiro de Geografia e Estatística -. Access on July, 31, 2009 http://www.ibge.gov.br.
IGAM – Instituto Mineiro de Gestão de Águas. 2006. Plano Diretor de Recursos hidricos da Bacia
Hidrográfica do Rio Paracatu. Instituto Mineiro de Gestão das Águas. 384p.
Jabloun M. & Sahli A. 2008. Evaluation of FAO-56 methodology for estimating reference
evapotranspiration using limited climatic data. Application to Tunisia. Agricultural Water
Management, 95(6): 707–715.
Fujaco, M.A.G., 2017, O uso do Sensoriamento Remoto e Cartografia Digital na Gestão de Bacias Hidrográficas Agrícolas.
100
Joseph S. & Thomas, M. S. R. M. A. P. 2011. The progress on remote sensing technology in identifying
tropical forest degradation : a synthesis of the present knowledge and future perspectives.
Environmental Earth Science, 64: 731–741.
Kamenov G.D., Brenner M., Tucker J.L. 2009. Anthropogenic Versus Natural Control On Trace Element
And Sr–Nd–Pb Isotope Stratigraphy In Peat Sediments Of Southeast Florida (USA), 1500 AD to
Present. Geochimica et Cosmochimica Acta, 73: 3549–3567.
Khan A., Khan S., Khan M.A., Qamar Z., Waqas M. 2015. The uptake and bioaccumulation of heavy metals
by food plants, their effects on plants nutrients, and associated health risk: a review. Environmental
Science and Pollution Research, 22 (18): 13772–13799.
Khan S., Cao Q., Zheng Y.M., Huang Y.Z., Zhu Y.G. 2008. Health risks of heavy metals in contaminated
soils and food crops irrigated with waste water in Beijing, China. Environmental Pollution, 152 (3):
686–692.
Korzoun V. I., Sokolov A.A., Budyko M.I., Voskresensky K.P., Kalinin G.P. 1978. World water balance
and water resources of the earth. Studies and Reports in Hydrology (UNESCO). Paris: UNESCO
Press.
Lasanta T. & Vicente-serrano S. M. 2012. Remote Sensing of Environment Complex land cover change
processes in semiarid Mediterranean regions : An approach using Landsat images in northeast Spain.
Remote Sensing of Environment, 124: 1–14.
Leivas J. F., Teixeira A. H. C., Andrade R. G., Victoria D. C., Bolfe E. L. 2015. Evapotranspiração Em Área
De Arroz Irrigado Utilizando Imagens Modis. , Anais do III Inovagri International Meeting: 100–109.
Li F., & Lyons T. J. 1999. Estimation of Regional Evapotranspiration through Remote Sensing. Journal of
Applied Meteorology, 38 (11):1644–1654.
Likens G. E. 2004. Some Perspectives on Long-Term Biogeochemical Research From The Hubbard Brook
Ecosystem Study. Ecology. 85 (9): 2355-2362.
Lima E. D. P., Sediyama G. C., Andrade R. G., Lopes V. D., Barbosa, B. 2014. Evapotranspiração real diária
em sub-bacias do Paracatu , utilizando produtos do sensor Modis 1. Revista Ceres, 61 (1): 17–27.
Liu P., Zhaoh J., Wang L.L., Liu Z.H., Wei J.L., Wang Y.Q., Jiangl H., Dong L., Zhang Y.F. 2011. Analysis
of heavy metal sources for vegetable soils from Shandong Province, China. Agricultural Sciences in
China, 10 (1): 109–119.
Lu D., Li G., Valladares G. S., Batistella M. 2004.Mapping soil erosion risk in Rondonia, Brazilian
Amazonia: Using Rusle, Remote Sensing and Gis. Land Degradation and Development, 15: 499–512.
Ludwig W., Probst J.L., Kempe S. 1996. Predicting the oceanic input of organic carbon by continental
erosion. Global Biogeochemical Cycles, 10 (1): 23–41.
Macklin M.G.; Brewer P.A.; Balteanu D.; Coulthard T.J.; Driga B.; Howard A.J.; Zaharia S. 2003. The long
term fate and environmental significance of contaminant metals released by the January and March
2000 mining tailings dam failures in Maramures country, upper Tisa basin, România. Applied
Geochemistry, 18 (2): 241-257.
Maeda E. E., Wiberg D. A., Pellikka P. K. E. 2011. Estimating reference evapotranspiration using remote
sensing and empirical models in a region with limited ground data availability in Kenya. Applied
Geography, 31(1): 251–258.
Marques M. N., Cotrim M. B., Pires M. A. F. 2007. Assessing of agriculture impact in protected areas,
belonging to river basin of Iguape”. São Paulo. Quimica Nova. 30 (5) 1171-1178.
Contribuições às Ciências da Terra, Série D, vol. 76, 105p.
101
McCabe M. F. & Wood E. F. 2006. Scale influences on the remote estimation of evapotranspiration using
multiple satellite sensors. Remote Sensing of Environment, 105 (4): 271–285.
Mccool D. K., Brown L. C., Foster G. R., Mutchler C. K., Meyer L. D. 1987.Revised slope steepness factor
for the Universal Soil Loss Equation. Trans ASAE, 30: 1387-1396.
Menezes S. J. M.C.; Sediyama G. C., Soares V. P., Gleriani J.M., Pinto F.A.C, Andrade R.G.2007.
Evapotranspiração regional utilizando o SEBAL em condições de relevo montanhoso. Simpósio
Brasileiro de Sensoriamento Remoto, Florianópolis, 13 (2000): 3475–3482.
Meybeck M., Lestel L., Bonté P., Moilleron R., Colin J. L., Rousselot O., Hervé D., Pontevès C., Grosbois
C., Thévenot D. R. 2007.Historical perspective of heavy metals contamination (Cd, Cr, Cu, Hg, Pb, Zn)
in the Seine River basin (France) following a DPSIR approach (1950–2005). Science of Total
Environmental. 375: 204–231.
Meybeck, M. 1994. Origin and variable composition of present Day riverborne material. Material Fluxes on
the Surface of the Earth. National Academy of Sciences: 61–73.
Mohamed Y.A.; Bastiaanssen W.G.M.; Savenije H.H.G.2004. Spatial variability of evaporation and moisture
storage in the swamps of the upper Nile studied by remote sensing techniques. Journal of Hydrology,
287: 145-164.
Moors E. 2008. Evaporation. In: BERKENS MFP, DOLMAN AJ, TROCH PA. Climate and the hydrological
cicle. IAHS Publication. Wallingford, UK, p.23-41.
Moreira, L.C.J., Durand B. J., Teixeira A.D., Andrade E.M. 2010. Variabilidade local e regional da
evapotranspiração estimada pelo algoritmo sebal. Engenharia. Agrícola Jaboticabal, 30 (6): 1148–
1159.
Morton R.A. 2003.An Overview of Coastal Land Loss: with Emphasis on the Southeastern United States.
U.S. Geological Survey, Open File Report.p. 03-337.
Mota D.M., Silva L.F., Duarte P.A., Baptista G.M.M., Santos P.F. 2011. Validação do Modelo Espectral de
Estimativa de Evapotranspiração de Nagler et al. (2005) nos Domínios Morfoclimáticos da Caatinga e
do Cerrado no Oeste Baiano Brasileiro. VI Seminário Latino Americanno de Geografia Física. II
Seminário Ibero Americano de Geografia Física. Universidade de Coimbra: 1-8.
Mu Q., Heinsch F. A., Zhao M., Running S. W. 2007. Development of a global evapotranspiration algorithm
based on MODIS and global meteorology data. Remote Sensing of Environment, 111(4): 519–536.
Mu Q., Zhao M., & Running S. W. 2011. Improvements to a MODIS global terrestrial evapotranspiration
algorithm. Remote Sensing of Environment, 115 (8): 1781–1800.
Mulholland, D.S. 2009. Geoquímica Aplicada à Avaliação de Qualidade de Sistemas Aquáticos da Bacia do
Rio Paracatu (MG). Dissertação de Mestrado. Brasília-DF: IG/UNB. 95p.
Nagler P. L., Cleverly J., Glenn E., Lampkin D., Huete A., Wan Z. 2005. Predicting riparian
evapotranspiration from MODIS vegetation indices and meteorological data. Remote Sensing of
Environment, 94: 17–30.
Nagler P. L., Morino K., Murray R. S., Osterberg J., Glenn E. P. 2009. An empirical algorithm for estimating
agricultural and riparian evapotranspiration using MODIS enhanced vegetation index and ground
measurements of ET. I. Description of method. Remote Sensing, 1 (4): 1273–1297.
Nicholson F.A., Smith S.R., Alloway B.J., Carlton-Smith C., Chambers B.J. 2003. An inventory of heavy
metals inputs to agricultural soils in England and Wales. Science of Total Environmental. 311: 205–
219.
Fujaco, M.A.G., 2017, O uso do Sensoriamento Remoto e Cartografia Digital na Gestão de Bacias Hidrográficas Agrícolas.
102
Nijs I., Ferris R., Blum H., Hendrey G., Impens I. 1997. Stomatal regulation in a changing climate: a field
study using Free Air Temperature Increase (FATI) and Free Air CO2 enrichment (FACE). Plant Cell
and Environment, 20 (8): 1041–1050.
Nosetto M. D., Jobbágy E. G., Brizuela A. B., Jackson R. B. 2012. Agriculture , Ecosystems and
Environment The hydrologic consequences of land cover change in central Argentina. “Agriculture,
Ecosystems and Environment,” 154: 2–11.
Oliveira L. C., Serudo R. L., Botero W. G., Mendonça A. G. R., Dos Santos A., Rocha, J. C., Neto F. D. S.
C. 2007. Distribuiçãoo de mercúrio em diferentes solos da bacia do médio Rio Negro-AM: Influência
da matéria orgânica no ciclo biogeoquímico do mercúrio. Quimica Nova, 30 2): 274–280.
Oliveira M.R, & Baptista G.M.M 2011 Validação do Modelo Espectral de Estimativa de Evapotranspiração
na Região de Gilbués, Piauí. Anais XV Simpósio Brasileiro de Sensoriamento Remoto - SBSR,
Curitiba, PR.n. 2001: 5925–5932.
Ortega-Farias S., Irmak S., Cuenca R. H. 2009. Special issue on evapotranspiration measurement and
modeling. Irrigation Science, 28 (1): 1-3.
Ozcan A. U., Erpul G., Basaran M., Erdogan H. E. 2008. Use of USLE/GIS technology integrated with
geostatistics to assess soil erosion risk in different land uses of Indagi Mountain Pass–Çankiri, Turkey.
Environmental Geology, 53 (8): 1731–1741.
Pandey A., Chowdary V. M., Mal B. C. 2007. Identification of critical erosion prone areas in the small
agricultural watershed using USLE, GIS and remote sensing. Water Resources Management, 21 (4):
729–746.
Peel M. C., Finlayson B. L., McMahon T. A. 2007. Updated world map of the K ̈oppen-Geiger climate
classification. Hydrology and Earth System Sciences, 11:1633–1644.
Perera P.A.C.T., Sundarabarathy T.V., Sivananthawerl T., Kodithuwakku S.P., Edirisinghe U. 2016. Arsenic
and Cadmium Contamination in Water, Sediments and Fish is a Consequence of Paddy Cultivation:
Evidence of River Pollution in Sri Lanka. Achievements in the Life Sciences, 10 (2): 144-160.
Plantar, 1996. Report water management plan of Paracatu River Basin.
Provenzano G., Tarquis A. M., Rodriguez-Sinobas L. 2013. Soil and irrigation sustainability practices.
Agricultural Water Management, 120: 1–4.
Ramalho J. F. G. P., Sobrinho,N. M. B. A., Velloso A. C. X. 2000. Contamination of Caetés micro basin
with heavy metals, by the use of agrochemicals. Pesquisa Agropecuaria. Brasileira. 35(7):1289-1303.
Regis R. C., 2007. Water crisis in Irrigation. The case of Entre Ribeiros river (MG). Master thesis.
University of Brasília (UnB).
Renard K. G., Foster G. A., Weesies G. A., Mccool D. K., yoder D. C. 1997. Predicting soil erosion by
water: a guide to conservation planning with the revised universal soil loss equation (RUSLE).
Washington: 703 p.
Renfro W. 1975. Use of erosion equations and sediment delivery ratios for predicting sediment yield, in
present and prospective technology for predicting sediment yield and sources. USDA ARSS-40.
Washington: 33-45.
Rodrigues S., 2001.New Step in the decontamination of Guanabara basin. Revista Brasileira de Saneamento
e Meio Ambiente. 18: 42–43.
Ruralminas. 1996. Plano Diretor de Recursos Hídricos da Bacia do Rio Paracatu – Planpar. Consórcio
MAGNA / DAM / EYSER - Governo de Federal, Governo do Estado de Minas Gerais, Governo do
Contribuições às Ciências da Terra, Série D, vol. 76, 105p.
103
Distrito Federal, Brasil, Fevereiro.
Santos J. S., Santos M. L. P., Conti M. M., Santos S. N., Oliveira E. 2009. Evaluation of some metals in
Brazilian coffees cultivated during the process of conversion from conventional to organic agriculture.
Food Chemistry, 115 (4): 1405–1410.
Santos L.M.P., Santos J.S., Santos J.R., Oliveira L.B. 2008.Effects of urban and rural runoff on water quality
of Verruca stream in Vitoria Conquista – Bahia, Brazil. Quimica Nova. 31 (8): 1997-2003.
Savic R., Ondrasek G., Josimov-Dundjerski J. 2015. Heavy metals in agricultural landscapes as hazards to
human and ecosystem health: a case study on zinc and cadmium in drainage channel sediments.
Journal of Science and Food Agriculture, 95 (3): 66-70.
Sharma M. L. 1984. Evapotranspiration from a Eucalyptus community. Agricultural Water Management, 8
(1): 41–56.
Shuttleworth W.J. 1993. Evaporation. In: MAIDMENT D. R. 1993. Handbook of Hydrology. New York,
USA: McGRaw Hill, p. 4.1-4.53.
Silva B.B., Lopes G.M., Azevedo P.V. 2005. Balanço de radiação em áreas irrigadas utilizando imagens
Landsat 5 - TM. Revista Brasileira de Meteorologia, 20 (2): 243–252.
Silva V. C. 2001. Erosão atual, erosão potencial e aporte de sedimento na bacia do Rio Paracatu
(MG/GO/DF). Brasília. Universidade de Brasília, 222 p. (Tese de Doutorado).
Souza C.F. 1997. Litoestratigrafia e sedimentologia da Formação Vazante na região de Coromandel – MG.
Dissertação de Mestrado. Instituto de Geociências, Universidade de Brasília, Brasília, 76p.
Sreeja K. G. C., Madhusoodhanan G., EldhoT. I. 2015.Transforming river basins : Post-livelihood transition
agricultural landscapes and implications for natural resource governance. Journal of Environmental
Management, 159: 254–26.
Stewart J. B. 1984. Measurement and prediction of evaporation from forested and agricultural catchments.
Agricultural Water Management, 8 (1–3): 1–28
Syvitski J.P.M., Peckham S.D., Hilberman R., Muldert. 2003. Predicting the terrestrial flux of sediment to
the global ocean: a planetary perspective. Sedimentary Geology, 162 (3-4): pp.345.
Tabari H. & Hosseinzadeh T. P. 2014. Sensitivity of evapotranspiration to climatic change in different
climates. Global and Planetary Change, 115: 16–23.
Teuling A. J., Hirschi M., Ohmura A., Wild M., Reichstein M., Ciais, P., Seneviratne S. I. 2009. A regional
perspective on trends in continental evaporation. Geophysical Research Letters, 36 (2).
Thomas M., Neill C., Deegan L.A., Krusche A.V., Ballester V.M., Victoria R.L., 2004. Influences of land
use and stream size on particulate and dissolved materials in a small Amazonian stream network.
Biogeochemistry. 68 (2): 135 – 151.
Tucci C. E. M., Hespanhol I., Netto, O. M. 2000. Scenarios of Water Management in Brazil. Contribution to
a World Vision of the Water. Revista Brasileira de Recursos Hídricos. 5 (3), 31–43.
Turner B. L., Clark W. C., Kates R. W., Richards J. F., Mathews J. T., Meyer W. B. (1990). The Earth as
transformed by human action: global change and regional changes in the biosphere over the past 300
years. Cambridge University Press, with Clark University.
Ungureanu T., Iancu G. O., Pintilei M., Chicos M. M. 2016. Spatial distribution and geochemistry of heavy
metals in soils: A case study from the NE area of Vaslui county, Romania. Journal of Geochemical
Exploration, 176: 20–32.
Fujaco, M.A.G., 2017, O uso do Sensoriamento Remoto e Cartografia Digital na Gestão de Bacias Hidrográficas Agrícolas.
104
USGS/NASA (U.S. Geological Survey). https://earthexplorer.usgs.gov/.
Van Rompaey A.J.J., Govers G., 2002. Data quality and model complexity for regional scale soil erosion
prediction. Geomorphology 16 (7): 663–680.
Vrieling A. 2006. Satellite remote sensing for water erosion assessment: a review. Catena, 65: 2–18.
Vuori K. M., Siren O., Luotonen H. 2003. Metal contamination of streams in relation to catchment
silvicultural practices: a comparative study in Finnish and Russian headwaters. Boreal Environment
Research, 8: 61-70.
Walling D.E. 2006. Human impact on land–ocean sediment transfer by the world's Rivers. Geomorphology,
79 (3-4):192–216.
Wang C., Shen Z., Li X., Luo C., Cheny., Yang H. 2004. Heavy metal contamination of agricultural soils
and stream sediments near a copper mine in Tongling, People's Republic of China. Bullet
Environmental Contaminatiom Toxicol, 73 (5):862-869.
Wang D., Gong J., Chen L., Zhang L., Song Y., Yue Y. 2011. Spatio-temporal pattern analysis of land
use/cover change trajectories in Xihe watershed. International Journal of Applied Earth Observation
and Geoinformation, 14 (1): 12–21.
Warren A. 2002. Land Degradation is Contextual. Land Degradation and Development, 13: 449-459.
Wenyi, S., Shao, Q., Liu, J. 2013.Soil erosion and its response to the changes of precipitation and vegetation
cover on the Loess Plateau. Journal of Geographical Sciences, 23 (6): 91–1106.
Wischmeier W.H. 1976. Use and misuse of the universal soil loss equation. Journal of soil and Water
Conservation, 31: 5-9. Wischmeier, W. H., Smith, D. D. 1978. Predicting Rainfall Erosion Losses - A Guide to Conservation
Planning. Agriculture Handbook. Agriculture Science and Education Administration. Washington, 58
p.
Xiao H., & Weng Q. 2007. The impact of land use and land cover changes on land surface temperature in a
karst area of China. Journal of Environmental Management, 85 (1); 245–57.
Yang Y., He Z., Lin Y., Phlips E. J., Stoffella P. J., Powell C. A. 2009. Temporal and spatial variations of
copper, cadmium, lead, and zinc in Ten Mile Creek in South Florida, USA. Water Environment
Research, 81 (1): 40-50.
Zhang C., Xie G., Liu C., Lu C. 2011. Assessment of soil erosion under woodlands using USLE in China.
Frontiers of Earth Science, 5 (2): 150–161,
Zhou W., Wu B. 2008. Assessment of soil erosion and sediment delivery ratio using remote sensing and GIS:
a case study of upstream Chaobaihe River catchment, north China. International Journal of Sediment
Research, 23 (2): 167-173
Contribuições às Ciências da Terra, Série D, vol. 76, 105p.
105
Ficha de Aprovação
TESE DE DOUTORAMENTO
TÍTULO: O uso do Sensoriamento Remoto e Cartografia Digital na Gestão de Bacias Hidrográficas
Agrícolas.
AUTOR(A): MARIA AUGUSTA GONÇALVES FUJACO
ORIENTADOR: MARIANGELA GARCIA PRAÇA LEITE
Aprovada em: _______/_______/_______
PRESIDENTE:
BANCA EXAMINADORA
Prof(a) Dr(a) Nome e assinatura _____________________________________ DEGEO/UFOP
Prof(a) Dr(a) Nome e assinatura _____________________________________ DEGEO/UFOP
Prof(a) Dr(a) Nome e assinatura _____________________________________ DEGEO/UFOP
Prof(a) Dr(a) Nome e assinatura ________________________________________ IGC/UFMG
Prof(a) Dr(a) Nome e assinatura ________________________________________ IGC/UFMG
Ouro Preto, _______/_______/_______